Proceso de limpieza, preprocesamiento y transformacion del conjunto de datos seleccionados de disponibilidad

import pandas as pd
import numpy as np
from sklearn import preprocessing
import matplotlib.pyplot as plt

le = preprocessing.LabelEncoder()

data = pd.read_csv("./disponibilidad.csv", sep=";")
df = pd.DataFrame(data)

df.head(10)

	dia_desde	hora_desde	dia_hasta	hora_hasta	lugar	Region	Comuna	Tipo_Servicio
0	Saturday	13:00	Sunday	18:00	Region metr	Región Metropolitana de Santiago	La Cisterna	Camión Completo
1	Tuesday	15:00	Tuesday	00:00	Santiag	Región Metropolitana de Santiago	Santiago	Camión Completo
2	Tuesday	17:00	Tuesday	23:00	Antofa	II - Antofagasta	Antofagasta	Camión Completo
3	Saturday	20:00	Saturday	20:00	San pedro 872. La Florida	Región Metropolitana de Santiago	La Florida	Camión Completo
4	Thursday	15:00	Thursday	15:00	Las gavillas 2920. San Bernardo	Región Metropolitana de Santiago	La Pintana	Camión Completo
5	Tuesday	18:00	Thursday	19:00	Osorn	X - Región de Los Lagos	Osorno	Camión Completo
6	Sunday	15:00	Sunday	15:00	Antofagasta	II - Antofagasta	Antofagasta	Camión Completo
7	Wednesday	15:00	Thursday	20:00	Calle creta 3005. Puente Alto	Región Metropolitana de Santiago	Puente Alto	Camión Completo
8	Tuesday	08:00	Wednesday	08:00	Santiago	Región Metropolitana de Santiago	Curacaví	Camión Completo
9	Monday	00:00	Tuesday	00:00	Reina de chile 910. Recoleta	Región Metropolitana de Santiago	Recoleta	Camión Completo

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 599 entries, 0 to 598
Data columns (total 8 columns):
 #   Column         Non-Null Count  Dtype 
---  ------         --------------  ----- 
 0   dia_desde      599 non-null    object
 1   hora_desde     599 non-null    object
 2   dia_hasta      599 non-null    object
 3   hora_hasta     599 non-null    object
 4   lugar          599 non-null    object
 5   Region         599 non-null    object
 6   Comuna         599 non-null    object
 7   Tipo_Servicio  599 non-null    object
dtypes: object(8)
memory usage: 37.6+ KB

data cleansing

Este proceso es sumamente necesario para asegurar la calidad de los datos que se emplearan para el analisis.

Este paso es fundamental para minimizar el riesgo que supondria el basar la toma de decisiones en informacion poco precisa, erronea o incompleta

Lugar

Valores unicos registrados en la columna lugar:

df['lugar'].nunique()

429

df['lugar'].unique()

array(['Region metr', 'Santiag', 'Antofa', 'San pedro 872. La Florida',
       'Las gavillas 2920. San Bernardo', 'Osorn', 'Antofagasta',
       'Calle creta 3005. Puente Alto', 'Santiago',
       'Reina de chile 910. Recoleta', 'San',
       'Cacique pelantaro 10508. El Bosque', 'Santa ana 1685. San Ramón',
       'La ligua', 'Calama',
       'Avda Pedro Aguirre Cerda 11092. Antofagasta', 'Pula 8825',
       'Las Delicias 930 42. Buin', 'santiago', 'Temuco',
       'Mantos blanco 4120. Calama', 'Antofagasta ', 'Coquim', 'San an',
       'Puerto montt', 'Virginio Arias 9322 . La Florida', 'Osorno',
       'Coquimbo', 'Lamap', 'Pasaje del Estero 7524. Huechuraba', 'S',
       'Ñusta huyka 3453. Calama', 'Ovalle', 'region metr', 'valdivia',
       'Talca', 'la ', 'Pudahuel', 'Cordova 298. Quilicura',
       'Moneda 1576. Santiago', 'Golfo Pérsico . Maipú',
       'Errázuriz . Buin', 'Lampa', 'Paine ', 'Temuco ',
       'Francisco del Campo . Osorno', 'Castro', 'ALTAMIRA 896. Taltal',
       ' null. Cerro Navia', 'Cala', 'Chill', 'Sangiagi',
       'Estero pileo 131. Coronel', 'Loncoche', 'Puerto ', 'Arica',
       'Caleta cruz grande 2871. Osorno', 'Chilla', 'Pitru', 'Puerto',
       'arica', 'Santi', 'Calam', 'Miraflores 26. Chimbarongo', 'Los a',
       'viña del ', 'Ari', 'Monseñor emilio rojas 448. Chiguayante',
       'Rancagua ', 'Valpara', 'Los angeled', 'Placi', 'Oso', 'Talcahua',
       'Teno ', 'Rancagua', 'bulnes', 'Con', 'La n',
       'Gómez Carreño 2257 . Iquique', 'San bernardo',
       'LAS ACACIAS  2849. La Pintana', 'Los an',
       'Bodegas san francisco laguna sur ',
       'PASAJE WASHINGTON MUÑOZ  7722. Antofagasta', 'Ran',
       'PASAJE PARROQUIA NUESTRA SEÑORA DE BELEN  685. Quilicura',
       'REBECA MATTE  4787. Maipú', 'Puer', 'Lampa ',
       'BULNES 420. Nacimiento', 'San fe', 'valparaiso',
       'CALLE TERESA DE CALCUTA 6 PONIENTE 01611. Puente Alto',
       'Lo biza ', 'RATA T 70 KM4 Ruta t 70 km4. La Unión',
       'KM 3 CAMINO FREIRE A VILLARRICA  null. Freire', 'Quili',
       'Santiaho', 'Quilicura ', 'PAMPA UNION  9120. Antofagasta', 'Es',
       'Bio bio', 'Los olivos', 'MARÍA VIAL  7978. La Cisterna',
       'ZAPADORES  2646. Conchalí', 'Ant', 'Reg', 'Temuc',
       'LAS BRISAS 2179. Concepción', 'Constantinopla ',
       'CAMINO INTERNACIONAL  1670. Pucón', 'Mejill', 'San Fernando',
       'OCHAGAVIA 10812. El Bosque', 'la ligua', 'Quillo',
       'PANAMERICANA NORTE  Km 108. Hijuelas', 'La flor', 'Colo colo 921',
       'Santiafo', 'AVE VICUÑA MACKENNA PONIENTE 6239 6239. La Florida',
       'Sant', 'La reina', ' null. Calera de Tango',
       'SAN PABLO  9369 . Pudahuel', 'Villa', 'Iquique',
       'SU SANTIDAD DÁMASO 447. Quilicura', 'TAMARIS  6711. Peñalolén',
       'calama', 'HONDURAS  9210. La Florida',
       'LOS CHONOS 8967. La Florida', 'AV. COSTANERA PONIENTE 500. Lampa',
       'Vill', 'Valdi', 'Talca ', 'La serena', 'Los andes', 'Co',
       'AVENIDA NUEVA PROVIDENCIA  1881. Providencia', 'Cal', 'anto',
       'OSORNO 0539. La Granja', 'Puert', 'PASAJE MIRA 8606. Pudahuel',
       'imperial mapocho', 'Te', 'Curico', 'Brisa del sol. calle ',
       'Puente', 'Caler', 'ACHAO  726. La Reina', 'Cauq',
       'PRIAPUS 997. Renca', 'Copiapo', 'Hue', 'Valdivi',
       'CAMINO INTERIOR CASA D BATUCO LAMPA CASA D. Lampa',
       'PASAJE ALPACA  2137. Puente Alto', 'JUPITER 1541. Quinta Normal',
       'Sur puerto', 'viña', 'RIO BOROA 1545. Cerro Navia',
       'VILLA VICENTE HUIDOBRO NÚMERO 034 ALTO JAHUEL BUIN 034. Buin',
       'Las co', 'Quillota', 'Coqui', 'AV LAS SALINAS  150 . El Tabo',
       'AV EL.CONQUISTADOR  600. Maipú', 'Lo boza', 'Chillan', 'Chi',
       'vitacura', 'LOS SICOMORROS  2457. Puente Alto', 'Lebu',
       'LAS TRES PASCUALAS 311. La Reina',
       'FRIDA KHALO 7 7. San Bernardo',
       'COMUNIDAD SAN JOSE PASAJE 8 941. Chillán', 'Coyaique',
       'PJE DE LA ESPUELA 222. Quilicura', 'Coyhaique', 'tem',
       'CALLEJON SAN ANTONIO  18. Hijuelas', 'La serena ', 'Antofagssta',
       'PASAJE LUNA  755. Pudahuel', 'AV EL TREBOL 121. Padre Hurtado',
       'La florida', 'AV. RODRIGO DE ARAYA  3967. Macul',
       'FRANCISCO A. PINTO  0418. San Fernando', 'puerto montt',
       'Valparaiso',
       'LUGAR LA CANTERA S/N CAMINO A CARAHUE  Oo. Nueva Imperial',
       'AV NOCEDAL 673 PUENTE ALTO 673. Puente Alto',
       'CUADRO VERDE  160. Estación Central',
       'FERNANDO MASSIFF DE LA FUENTE 4879. Macul',
       'AV BRASIL  7891 . Renca', 'Region metropo',
       'EL QUEULE 02501. La Pintana', '18 DE SEPTIEMBRE 210. Chillán',
       'FELDESPATO  1378. Conchalí',
       'DOCE DE OCTUBRE  0627 . San Bernardo', 'Regio', 'Meli',
       'SAN ALFONSO 259. Estación Central', 'EL TRIÁNGULO 1. Maule',
       'BERLÍN  843. San Miguel', 'AMUNATEGUI 725. Santiago', 'Coy',
       'ORLANDO GUAITA 750. Coquimbo', ' null. Talca',
       'SIMPSON 768. Coihaique', 'LOS NARANJOS 3728. Talcahuano',
       'MIRAFLORES  660 . Lampa',
       'AVENIDA CENTRAL Poblacion papelera. Puente Alto',
       'CAPITÁN GUILLERMO 01086. Punta Arenas', 'Vallen', 'castro ',
       'antofagas', 'ESTADOS UNIDOS 3071. Alto Hospicio', 'San ber',
       'Santiago ', 'Quilicura', 'Copec de fre',
       'ANA MARIA IBACETA 8028. Antofagasta',
       'PASAJE CANCIÓN DE LA PAMPA HUECHURABA  5705. Huechuraba',
       'Region metropilitn', 'SAN LUIS  Parcela 21. Lampa', 'Puerto m',
       'LOS ARTESANOS  . Renca', 'Conce', 'LANGONG ONCE 595. Temuco',
       'Coronel', 'Huechurabs', 'Chillán ', 'Pueto', 'Iqui', 'Talcaguano',
       'DEIDAMIA ZELADA  2189. Buin', 'Arics',
       'LOS TRICAHUES 2155. Huechuraba', 'Concep', 'La',
       'ERNESTO SAMIT 736. Quinta Normal', 'SA', 'Santia',
       'VILLORRIO SAN PASCUAL 21. Paine',
       'NIBALDO SCHWENQUE  1677. Valdivia', 'Recole',
       'AV LA ESTRELLA  473. Pudahuel', 'La torre  287. Santa María',
       'Mall plaza tobalaba ', 'Avenida ejercito libertador 371.',
       'LOS COIGUES 02444. Coronel', 'JUAN DE BARROS 3880. Quinta Normal',
       'Puente alto ', 'Ñuñ', 'San f',
       'HIPÓDROMO  DE CHILE  1673. Independencia',
       'PASAJE LOMA EL CAPATAZ 112. Lampa', 'Easy v',
       'CALLE BOLIVIA 2192. Rancagua', 'ARTURO PRAT  749. Lampa',
       'Viña del ma', 'PLACER 880 local 218-220. Santiago',
       'CALLE SANTA ROSA DE HUARA 4036. Alto Hospicio',
       'LOS ATACAMEÑOS 1147. Quilicura', 'SARGENTO ALDEA  208. La Serena',
       'LOS METALES  391. Cerrillos', 'QUINTA AVENIDA 1437. San Miguel',
       'LA DORMIDA  963. Maipú', 'Pu',
       'DIEGO BARROS ARANA 900. Huechuraba', 'Temu', 'Talcahuano',
       'LOS ALERCES  29. Estación Central', 'Calbuco', 'Anto',
       'Los pinos San ', 'Valpa', 'MANUEL MONTT  225. Concepción',
       'Calera ', 'ESTACIÓN PURRANQUE  3264. Puente Alto',
       'Viña del Mar ', 'CHACALLUTA  629. El Bosque',
       'BALTAZAR LOPEZ  3971. Macul', 'STA CLARA  S/n. La Cisterna',
       'GENARO GALLO 2567-A. Iquique', 'SANTA ISABEL null. Chimbarongo',
       'sant', 'las torres 800 hu',
       'SAN BARTOLOME DE GAMBOA  47. Chillán Viejo', 'CALA',
       'LOS PARRONES  1932. Peñaflor', 'SAN GUILLERMO  378. La Florida',
       'Pitr', 'Peleq', 'BAQUEDANO  8610. Pudahuel',
       'PAIHUEN  2755. Osorno', 'Santuago', 'concep',
       'OVALLE  null. Ovalle', 'SAN SIMON 0298. La Cisterna',
       'LOS NOGALES  160. Maipú', 'Coron', 'FERROCARRIL  7509. Maipú',
       'Maipu', 'MONTE IGELDO 01863. Temuco', 'Osorno ',
       'EL ULMO  9. Padre Hurtado', 'Ranca',
       'SAN NICOLAS  681. San Miguel', 'EL QUISO 141. Talcahuano',
       ' null. Maule', 'VILLASANA 1451. Quinta Normal',
       'PASAJE EL BELLOTO  1102. Puente Alto', 'VILLASECA 1560. Buin',
       'EL CARMEN DE HUECHURABA 1540. Huechuraba',
       ' Montau 1509. Independencia',
       'AVENIDA CENTRAL 881 11. San Bernardo',
       'BAQUEDANO  239. Antofagasta', 'TIGNAMAR  2857. Puente Alto',
       'Region metropolitana', 'PEATONES DIEZ  4751 C. Macul',
       'Region del', 'Victori', 'MACHALI', 'La calera',
       'LOS MAITENES  0890. Mulchén', 'Region metro',
       'LA TORRE POBLACION ANGAMOS SANTA JULIA PARADERO 7 5. Viña del Mar',
       'Los ESPINOS  Parcela 49. Lampa', 'Quilicu',
       'AV LAS PERDICES  6577. La Florida', 'QUINHUE  1575. Cauquenes',
       'ALMIRANTE RIVEROS  72. Valparaíso',
       'CUATRO ESQUINAS 0560. La Serena', 'Los angeles',
       'LEONIDAS BANDERAS  6918. La Reina', ' null. San Bernardo',
       'Valle grande', 'Maestranza', 'Chile',
       'CARLOS DITTBORN 702. Ñuñoa', 'Cur', 'Curico ', 'Región metr',
       'San antonio', 'AVENIDA LOS TOROS  05580. Puente Alto',
       'CINERARIAS 4525. La Serena', 'La ',
       'PASAJE PALMA ARECA 288. Peñaflor', 'MARCO ALEMAN  790. Pudahuel',
       'Lima ', 'Talaca', 'Paine', 'CUARTEL 345. Hijuelas',
       'ROSA ESTER 02710. La Pintana', 'Claudio ', 'Quintero',
       'Tsantiago', 'PRESIDENTE IBAÑEZ  2043. Padre Hurtado',
       'MIRADOR DE BISQUE NORTE 1511 1511. Puerto Montt',
       'PASAJE SAN CLEMENTE 8487. Pudahuel',
       'LAS HORTENCIAS 1568. Quilpué', 'Talcaa',
       'CAMINO LONQUEN  4520. San Bernardo',
       'VIRGINIA BRAVO LETTELIER  1246. Valparaíso', 'Curauma Valparaíso',
       'Isl', 'San fer', 'Sanriagi', 'Osprno',
       'PUERTO MONTT 18443. Maipú', 'CERRO PIDANCO  02035. Temuco',
       'SOTOMAYOR 97. Teno. Curico Ch',
       'PASAJE LOS ESTRIBOS 1075. Colina', 'LO ENCALADA 1415. Ñuñoa',
       'SCHEAT 8555. Pudahuel', 'LOS TILOS 179. Maipú', 'Valdivia',
       'BOULEVARD SAN CRISTOBAL  526. Lampa',
       'LAS VIOLETAS  2524. Quilpué', 'Ppuerto m', 'Puerto Montt',
       'AV MARATHON MACUL 4899. Macul', 'Marchihue', 'santi', 'buin',
       'ARAUCANIA 1360. Cerro Navia', 'BAQUEDANO 239. Antofagasta',
       'LAS REINAS LUISAS 5605. Huechuraba', 'PASAJE 6 4374. Hualpén',
       'An', 'PASAJE ALBERTO HURTADO 89 null. Curicó',
       'AV. ESPAÑA 11115-b. Curicó', 'INCA DE ORO  7808. La Granja',
       'CAMINO SAN AGUSTIN PARCELA 9 LOTE A4 null. Calera de Tango',
       'Los condes. san', ' null. Los Lagos', 'Megacentro',
       'AV. MACUL  5121. Macul', 'Cañe', 'CALLE RAVAL 2016. Renca',
       'Cald', 'JUAN WILLIAMS  010350. Punta Arenas',
       'AV BRASIL  920. Santiago', 'SAN FRANCISCO  6548. Cerro Navia',
       '9 1/2 ORIENTE  1774. Talca', 'Senda 8 674. Concepción', 'Pedro',
       'conce', 'Linares', 'Coq', 'EDELMIRA 365. Talcahuano',
       'RIO BAKER 1272. Quilpué', 'AGUAS MARINAS 760. El Bosque', 'maule',
       'AVENIDA LOS LOROS  1472. Copiapó',
       'ELEUTERIO RAMÍREZ 780 +56994957395. Santiago',
       'YUNQUE ORIENTE 69. Machalí', 'Concepcon',
       'LOS CLATERIANOS 9411. Pudahuel', 'SAN FRANCISCO  242. Santiago',
       'LOS PENSAMIENTOS 145 casa 2. San Pedro de la Paz',
       'LAS VIOLETAS 24. Machalí',
       'CAMINO LA ESCUEL Parcela 47 - 6. Pirque', 'Cpncep'], dtype=object)

Se puede observar que la columna "lugar" es un campo abierto que registra el transportista. No existe un criterio de normalizacion de ese campo. No se especifica si es el lugar exacto donde se encuentra ubicado, comuna o region... no existe un nivel de ordenamiento optimo en este contexto.

Muchos registros carecen de un sentido logico y coherente.

Al no tener un nivel de ordenamiento optimo, se descartará esta columna al no aportar valor en el dataset y se trabajara la disponibilidad directamente con las columnas comuna y region.

df = df.drop(['lugar'],axis=1)
df

	dia_desde	hora_desde	dia_hasta	hora_hasta	Region	Comuna	Tipo_Servicio
0	Saturday	13:00	Sunday	18:00	Región Metropolitana de Santiago	La Cisterna	Camión Completo
1	Tuesday	15:00	Tuesday	00:00	Región Metropolitana de Santiago	Santiago	Camión Completo
2	Tuesday	17:00	Tuesday	23:00	II - Antofagasta	Antofagasta	Camión Completo
3	Saturday	20:00	Saturday	20:00	Región Metropolitana de Santiago	La Florida	Camión Completo
4	Thursday	15:00	Thursday	15:00	Región Metropolitana de Santiago	La Pintana	Camión Completo
...	...	...	...	...	...	...	...
594	Monday	15:00	Monday	15:00	Región Metropolitana de Santiago	Santiago	Camión Completo
595	Thursday	23:00	Tuesday	20:00	VIII - Región del Bío Bío	San Pedro de la Paz	Camión Completo
596	Friday	09:00	Monday	16:00	VI - Región de OHiggins	Machalí	Arriendo por horas
597	Monday	15:00	Monday	15:00	Región Metropolitana de Santiago	Puente Alto	Camión Completo
598	Tuesday	16:00	Wednesday	08:00	VIII - Región del Bío Bío	Concepción	Camión Completo

599 rows × 7 columns

dia_desde and dia_hasta

Dia es una variable de tipo categorica. Ya que toma valores desde un conjunto limitado de elementos (7 dias de la semana).

Debemos tratar esta caracteristica ya que los algoritmos que utilizaremos para el analisis exploratorio muchos de ellos requieren que las variables sean numericas.

Se debe tener cuidado porque el orden de los números no necesariamente representa el orden de las categorías.

dia_desde: representa el dia de la semana en el cual inicia la disponibilidad del transportista.

dia_hasta: representa el dia de la semana en el cual finaliza la disponibilidad del transportista.

print("valores dia_desde: ", df['dia_desde'].unique())
print("valores dia_hasta: ",df['dia_hasta'].unique())

valores dia_desde:  ['Saturday' 'Tuesday' 'Thursday' 'Sunday' 'Wednesday' 'Monday' 'Friday']
valores dia_hasta:  ['Sunday' 'Tuesday' 'Saturday' 'Thursday' 'Wednesday' 'Monday' 'Friday']

from numpy import array

data_desde = df['dia_desde']
data_hasta = df['dia_hasta']

value_desde = array(data_desde)
value_hasta = array(data_hasta)

df['dia_desde'] = le.fit_transform(value_desde)
df['dia_hasta'] = le.fit_transform(value_hasta)

print("nuevos valores numericos dia_desde: ", df['dia_desde'].unique())
print("nuevos valores numericos dia_hasta: ", df['dia_hasta'].unique())

nuevos valores numericos dia_desde:  [2 5 4 3 6 1 0]
nuevos valores numericos dia_hasta:  [3 5 2 4 6 1 0]

print("cantidad de dias_desde: ", df['dia_desde'].nunique())
print("cantidad de dias_hasta: ", df['dia_hasta'].nunique())

cantidad de dias_desde:  7
cantidad de dias_hasta:  7

Las nuevas caracteristicas son:

N°	dia
0	Friday
1	Monday
2	Saturday
3	Sunday
4	Thursday
5	Tuesday
6	Wednesday

hora_desde and hora_hasta

Hora es una caracteristica muy relevante cuando hablamos de tarifa dinamica. Por ello es importante hacer un buen tratamiento de esta.

Hora es una caracteristica de tipo Cuantitativa continua, ya que entre dos valores cualquiera, puede haber valores intermedios. Es decir, se toman todos los valores de un determinado intervalo.

hora_desde: representa el horario en el cual el transportista inicia su disponibilidad.

hora_hasta: representa el horario de finalizacion de la disponibilidad del transportista.

Teniendo claro que tipo de variable es y como se comporta, debemos pensar en el tratamiento a realizar...

Para ello tendremos que tomar algunas decisiones:

• Para reducir la cantidad de variables y dimensionalidad de esta caracteristica tendremos que redondear a la hora entera mas cercana.

• Por ejemplo: '11:30' ---Redondeado--> '12:00'

         '11:20' ---Redondeado--> '11:00'
  

  #### Esto nos permitira reducir la cantidad de dimensiones existentes en la caracteristica y mejorar la calidad de los datos.

• Reemplazar estos valores identificados por sus respectivos valores.

• Codificar etiquetas de esta caracteristica en valores numericos.

df['hora_desde'].nunique()

33

df['hora_desde'].unique()

array(['13:00', '15:00', '17:00', '20:00', '18:00', '08:00', '00:00',
       '12:00', '10:00', '11:00', '21:00', '14:00', '22:00', '09:00',
       '15:30', '14:30', '11:30', '19:00', '23:00', '13:30', '01:00',
       '07:00', '08:30', '03:00', '16:00', '02:00', '16:30', '06:00',
       '05:00', '10:30', '09:30', '04:30', '04:00'], dtype=object)

df['hora_desde'].value_counts()

08:00    45
09:00    44
10:00    44
14:00    40
12:00    39
11:00    36
17:00    34
13:00    33
15:00    31
16:00    29
00:00    28
22:00    27
21:00    24
23:00    24
20:00    23
18:00    22
07:00    18
19:00    15
06:00    10
01:00     7
05:00     7
04:00     3
14:30     2
09:30     2
02:00     2
03:00     2
08:30     2
15:30     1
16:30     1
10:30     1
11:30     1
13:30     1
04:30     1
Name: hora_desde, dtype: int64

Los valores a reemplazar son:

N°	Hora	Redondeo
1	15:30	16:00
2	16:30	17:00
3	08:30	09:00
4	10:30	11:00
5	09:30	10:00
6	13:30	14:00
7	11:30	12:00
8	14:30	15:00
9	04:30	05:00

Transformacion de caracteristica hora_desde

df.loc[df['hora_desde'] == '15:30', 'hora_desde'] = '16:00'
df.loc[df['hora_desde'] == '16:30', 'hora_desde'] = '17:00'
df.loc[df['hora_desde'] == '13:30', 'hora_desde'] = '14:00'
df.loc[df['hora_desde'] == '08:30', 'hora_desde'] = '09:00'
df.loc[df['hora_desde'] == '04:30', 'hora_desde'] = '05:00'
df.loc[df['hora_desde'] == '10:30', 'hora_desde'] = '11:00'
df.loc[df['hora_desde'] == '14:30', 'hora_desde'] = '15:00'
df.loc[df['hora_desde'] == '09:30', 'hora_desde'] = '10:00'
df.loc[df['hora_desde'] == '11:30', 'hora_desde'] = '12:00'

df.loc[df['hora_desde'] == '00:00', 'hora_desde'] = 0
df.loc[df['hora_desde'] == '01:00', 'hora_desde'] = 1
df.loc[df['hora_desde'] == '02:00', 'hora_desde'] = 2
df.loc[df['hora_desde'] == '03:00', 'hora_desde'] = 3
df.loc[df['hora_desde'] == '04:00', 'hora_desde'] = 4
df.loc[df['hora_desde'] == '05:00', 'hora_desde'] = 5
df.loc[df['hora_desde'] == '06:00', 'hora_desde'] = 6
df.loc[df['hora_desde'] == '07:00', 'hora_desde'] = 7
df.loc[df['hora_desde'] == '08:00', 'hora_desde'] = 8
df.loc[df['hora_desde'] == '09:00', 'hora_desde'] = 9
df.loc[df['hora_desde'] == '10:00', 'hora_desde'] = 10
df.loc[df['hora_desde'] == '11:00', 'hora_desde'] = 11
df.loc[df['hora_desde'] == '12:00', 'hora_desde'] = 12
df.loc[df['hora_desde'] == '13:00', 'hora_desde'] = 13
df.loc[df['hora_desde'] == '14:00', 'hora_desde'] = 14
df.loc[df['hora_desde'] == '15:00', 'hora_desde'] = 15
df.loc[df['hora_desde'] == '16:00', 'hora_desde'] = 16
df.loc[df['hora_desde'] == '17:00', 'hora_desde'] = 17
df.loc[df['hora_desde'] == '18:00', 'hora_desde'] = 18
df.loc[df['hora_desde'] == '19:00', 'hora_desde'] = 19
df.loc[df['hora_desde'] == '20:00', 'hora_desde'] = 20
df.loc[df['hora_desde'] == '21:00', 'hora_desde'] = 21
df.loc[df['hora_desde'] == '22:00', 'hora_desde'] = 22
df.loc[df['hora_desde'] == '23:00', 'hora_desde'] = 23

Dimensionalidad Reducida.

De 33 valores unicos en hora, se redujo a 24 valores unicos.

df['hora_desde'].value_counts()

9     46
10    46
8     45
14    41
12    40
11    37
17    35
13    33
15    33
16    30
0     28
22    27
21    24
23    24
20    23
18    22
7     18
19    15
6     10
5      8
1      7
4      3
3      2
2      2
Name: hora_desde, dtype: int64

df['hora_desde'].nunique()

24

df['hora_desde'].unique()

array([13, 15, 17, 20, 18, 8, 0, 12, 10, 11, 21, 14, 22, 9, 16, 19, 23, 1,
       7, 3, 2, 6, 5, 4], dtype=object)

Realizamos el mismo proceso para la caracteristica hora_hasta

df['hora_hasta'].nunique()

38

df['hora_hasta'].unique()

array(['18:00', '00:00', '23:00', '20:00', '15:00', '19:00', '08:00',
       '12:00', '11:00', '21:00', '10:00', '22:00', '17:00', '15:30',
       '13:00', '23:30', '01:00', '18:30', '14:00', '09:00', '16:00',
       '21:30', '14:30', '04:30', '07:00', '19:30', '10:30', '22:30',
       '20:30', '05:00', '11:30', '13:30', '03:00', '16:30', '04:00',
       '06:00', '17:30', '02:00'], dtype=object)

df['hora_hasta'].value_counts()

00:00    88
23:00    50
22:00    36
18:00    35
17:00    34
12:00    34
20:00    32
21:00    31
15:00    28
14:00    26
16:00    23
19:00    23
10:00    22
11:00    22
23:30    20
13:00    16
09:00    16
08:00    13
01:00     8
07:00     8
19:30     5
20:30     5
14:30     4
22:30     2
02:00     2
15:30     2
18:30     2
21:30     2
16:30     1
11:30     1
03:00     1
17:30     1
05:00     1
06:00     1
04:30     1
10:30     1
04:00     1
13:30     1
Name: hora_hasta, dtype: int64

Los valores a reemplazar son:

N°	Hora	Redondeo
1	23:30	00:00
2	19:30	20:00
3	20:30	21:00
4	14:30	15:00
5	21:30	22:00
6	22:30	23:00
7	15:30	16:00
8	18:30	19:00
9	11:30	12:00
10	16:30	17:00
11	17:30	18:00
12	04:30	05:00
13	10:30	11:00
14	13:30	14:00

Transformacion de caracteristica hora_hasta

df.loc[df['hora_hasta'] == '23:30', 'hora_hasta'] = '00:00'
df.loc[df['hora_hasta'] == '19:30', 'hora_hasta'] = '20:00'
df.loc[df['hora_hasta'] == '20:30', 'hora_hasta'] = '21:00'
df.loc[df['hora_hasta'] == '14:30', 'hora_hasta'] = '15:00'
df.loc[df['hora_hasta'] == '21:30', 'hora_hasta'] = '22:00'
df.loc[df['hora_hasta'] == '22:30', 'hora_hasta'] = '23:00'
df.loc[df['hora_hasta'] == '15:30', 'hora_hasta'] = '16:00'
df.loc[df['hora_hasta'] == '18:30', 'hora_hasta'] = '19:00'
df.loc[df['hora_hasta'] == '11:30', 'hora_hasta'] = '12:00'
df.loc[df['hora_hasta'] == '16:30', 'hora_hasta'] = '17:00'
df.loc[df['hora_hasta'] == '17:30', 'hora_hasta'] = '18:00'
df.loc[df['hora_hasta'] == '04:30', 'hora_hasta'] = '05:00'
df.loc[df['hora_hasta'] == '10:30', 'hora_hasta'] = '11:00'
df.loc[df['hora_hasta'] == '13:30', 'hora_hasta'] = '14:00'

df.loc[df['hora_hasta'] == '00:00', 'hora_hasta'] = 0
df.loc[df['hora_hasta'] == '01:00', 'hora_hasta'] = 1
df.loc[df['hora_hasta'] == '02:00', 'hora_hasta'] = 2
df.loc[df['hora_hasta'] == '03:00', 'hora_hasta'] = 3
df.loc[df['hora_hasta'] == '04:00', 'hora_hasta'] = 4
df.loc[df['hora_hasta'] == '05:00', 'hora_hasta'] = 5
df.loc[df['hora_hasta'] == '06:00', 'hora_hasta'] = 6
df.loc[df['hora_hasta'] == '07:00', 'hora_hasta'] = 7
df.loc[df['hora_hasta'] == '08:00', 'hora_hasta'] = 8
df.loc[df['hora_hasta'] == '09:00', 'hora_hasta'] = 9
df.loc[df['hora_hasta'] == '10:00', 'hora_hasta'] = 10
df.loc[df['hora_hasta'] == '11:00', 'hora_hasta'] = 11
df.loc[df['hora_hasta'] == '12:00', 'hora_hasta'] = 12
df.loc[df['hora_hasta'] == '13:00', 'hora_hasta'] = 13
df.loc[df['hora_hasta'] == '14:00', 'hora_hasta'] = 14
df.loc[df['hora_hasta'] == '15:00', 'hora_hasta'] = 15
df.loc[df['hora_hasta'] == '16:00', 'hora_hasta'] = 16
df.loc[df['hora_hasta'] == '17:00', 'hora_hasta'] = 17
df.loc[df['hora_hasta'] == '18:00', 'hora_hasta'] = 18
df.loc[df['hora_hasta'] == '19:00', 'hora_hasta'] = 19
df.loc[df['hora_hasta'] == '20:00', 'hora_hasta'] = 20
df.loc[df['hora_hasta'] == '21:00', 'hora_hasta'] = 21
df.loc[df['hora_hasta'] == '22:00', 'hora_hasta'] = 22
df.loc[df['hora_hasta'] == '23:00', 'hora_hasta'] = 23

Dimensionalidad Reducida.

De 38 valores unicos en hora, se redujo a 24 valores unicos.

df['hora_hasta'].value_counts()

0     108
23     52
22     38
20     37
21     36
18     36
17     35
12     35
15     32
14     27
19     25
16     25
11     23
10     22
13     16
9      16
8      13
7       8
1       8
5       2
2       2
6       1
4       1
3       1
Name: hora_hasta, dtype: int64

df['hora_hasta'].nunique()

24

Region

Region es una variable de tipo categorica. Ya que toma valores desde un conjunto limitado de elementos (Regiones existentes en Chile). Debemos tratar esta caracteristica ya que para el proceso de analisis exploratorio muchos de ellos requieren que las variables sean numericas.

Es importante mencionar que no existe una considerable cantidad registros de disponibilidad en regiones fuera de Chile (Regiones o provincias de paises donde CamionGO tiene operaciones [Mexico, Peru, Ecuador]).

Solamente se identificaron 2 registros de disponibilidad de solo dos distritos del Perú llamada "La Libertad" y "Callao".

Debido a esto, para el analisis en esta oportunidad no se pueden considerar las regiones o provincias que no sean las de Chile.

df['Region'].value_counts()

Región Metropolitana de Santiago    278
X - Región de Los Lagos              45
VIII - Región del Bío Bío            42
V - Valparaíso                       41
II - Antofagasta                     39
IX - Región de la Araucanía          27
VII - Región del Maule               27
IV - Coquimbo                        24
VI - Región de OHiggins              23
XVI - Región de Ñuble                13
XIV - Región de Los Ríos             10
I - Tarapacá                          9
III - Atacama                         6
XV - Arica y Parinacota               6
XI - Región de Aisén                  5
XII - Región de Magallanes            2
La Libertad                           1
Callao                                1
Name: Region, dtype: int64

18 registros unicos de regiones.

df['Region'].nunique()

18

Reduccion de dimensionalidad

df = df[df["Region"] != 'La Libertad']

df = df[df["Region"] != 'Callao']

df['Region'].value_counts()

Región Metropolitana de Santiago    278
X - Región de Los Lagos              45
VIII - Región del Bío Bío            42
V - Valparaíso                       41
II - Antofagasta                     39
VII - Región del Maule               27
IX - Región de la Araucanía          27
IV - Coquimbo                        24
VI - Región de OHiggins              23
XVI - Región de Ñuble                13
XIV - Región de Los Ríos             10
I - Tarapacá                          9
XV - Arica y Parinacota               6
III - Atacama                         6
XI - Región de Aisén                  5
XII - Región de Magallanes            2
Name: Region, dtype: int64

Transformacion de la caracteristica region.

df.loc[df['Region'] == 'I - Tarapacá', 'Region'] = 1
df.loc[df['Region'] == 'II - Antofagasta', 'Region'] = 2
df.loc[df['Region'] == 'III - Atacama', 'Region'] = 3
df.loc[df['Region'] == 'IV - Coquimbo', 'Region'] = 4
df.loc[df['Region'] == 'V - Valparaíso', 'Region'] = 5
df.loc[df['Region'] == 'VI - Región de OHiggins', 'Region'] = 6
df.loc[df['Region'] == 'VII - Región del Maule', 'Region'] = 7
df.loc[df['Region'] == 'VIII - Región del Bío Bío', 'Region'] = 8
df.loc[df['Region'] == 'IX - Región de la Araucanía', 'Region'] = 9
df.loc[df['Region'] == 'X - Región de Los Lagos', 'Region'] = 10
df.loc[df['Region'] == 'XI - Región de Aisén', 'Region'] = 11
df.loc[df['Region'] == 'XII - Región de Magallanes', 'Region'] = 12
df.loc[df['Region'] == 'Región Metropolitana de Santiago', 'Region'] = 13
df.loc[df['Region'] == 'XIV - Región de Los Ríos', 'Region'] = 14
df.loc[df['Region'] == 'XV - Arica y Parinacota', 'Region'] = 15
df.loc[df['Region'] == 'XVI - Región de Ñuble', 'Region'] = 16

Las nuevas caracteristicas son:

N°	region
1	I - Tarapacá
2	II - Antofagasta
3	III - Atacama
4	IV - Coquimbo
5	V - Valparaíso
6	VI - Región de OHiggins
7	VII - Región del Maule
8	VIII - Región del Bío Bío
9	IX - Región de la Araucanía
10	X - Región de Los Lagos
11	XI - Región de Aisén
12	XII - Región de Magallanes
13	Región Metropolitana de Santiago
14	XIV - Región de Los Ríos
15	XV - Arica y Parinacota
16	XVI - Región de Ñuble

df['Region'].value_counts()

13    278
10     45
8      42
5      41
2      39
9      27
7      27
4      24
6      23
16     13
14     10
1       9
15      6
3       6
11      5
12      2
Name: Region, dtype: int64

16 registros unicos de regiones. Las 16 regiones de Chile.

df['Region'].nunique()

16

df['Region'].unique()

array([13, 2, 10, 5, 9, 4, 14, 8, 16, 15, 6, 7, 1, 3, 11, 12],
      dtype=object)

df

	dia_desde	hora_desde	dia_hasta	hora_hasta	Region	Comuna	Tipo_Servicio
0	2	13	3	18	13	La Cisterna	Camión Completo
1	5	15	5	0	13	Santiago	Camión Completo
2	5	17	5	23	2	Antofagasta	Camión Completo
3	2	20	2	20	13	La Florida	Camión Completo
4	4	15	4	15	13	La Pintana	Camión Completo
...	...	...	...	...	...	...	...
594	1	15	1	15	13	Santiago	Camión Completo
595	4	23	5	20	8	San Pedro de la Paz	Camión Completo
596	0	9	1	16	6	Machalí	Arriendo por horas
597	1	15	1	15	13	Puente Alto	Camión Completo
598	5	16	6	8	8	Concepción	Camión Completo

597 rows × 7 columns

Comuna

• Es una caracteristica de tipo categorica nominal. Ya que esta caracteristica presenta un numero limitado de valores distintos (Comunas de Chile) y estos valores representan categorias que no obedecen una clasificacion intrinseca, no admiten un criterio de orden.

Esta columna nos servira para la fase de data mining.

df['Comuna'].value_counts().count()

131

df['Comuna'].unique()

array(['La Cisterna', 'Santiago', 'Antofagasta', 'La Florida',
       'La Pintana', 'Osorno', 'Puente Alto', 'Curacaví', 'Recoleta',
       'El Bosque', 'San Ramón', 'La Ligua', 'Calama', 'Cerro Navia',
       'Paine', 'Temuco', 'Lo Prado', 'Coquimbo', 'San Antonio',
       'Puerto Montt', 'Lampa', 'Ovalle', 'Renca', 'Cerrillos',
       'Valdivia', 'Cabrero', 'Pudahuel', 'Maipú', 'Buin', 'Lautaro',
       'Los Lagos', 'Taltal', 'San Ignacio', 'Coronel', 'Loncoche',
       'Puerto Varas', 'Paillaco', 'Arica', 'Chillán', 'Pitrufquén',
       'Estación Central', 'Chimbarongo', 'Los Ángeles', 'Viña del Mar',
       'Chiguayante', 'Pichidegua', 'Rancagua', 'Valparaíso',
       'Talcahuano', 'Teno', 'Bulnes', 'Concepción', 'Iquique',
       'San Bernardo', 'Quilicura', 'Nacimiento', 'San Esteban', 'Ñuñoa',
       'La Unión', 'Freire', 'Conchalí', 'Copiapó', 'Pucón', 'Mejillones',
       'San Fernando', 'Quillota', 'Calera', 'San Miguel', 'Talca',
       'La Reina', 'Villarrica', 'Los Andes', 'Peñalolén', 'La Serena',
       'San Pedro de la Paz', 'Providencia', 'La Granja', 'Quinta Normal',
       'Curicó', 'Calera de Tango', 'Cauquenes', 'Huechuraba',
       'Las Condes', 'El Tabo', 'Vitacura', 'Lebu', 'Coihaique', 'Macul',
       'Carahue', 'Melipilla', 'Sagrada Familia', 'Punta Arenas',
       'Vallenar', 'Castro', 'Maule', 'Alto Hospicio',
       'San José de Maipo', 'Colina', 'Florida', 'Curanilahue',
       'Requínoa', 'Padre Hurtado', 'Santa María', 'Peumo',
       'Independencia', 'Padre las Casas', 'Maullín',
       'Pedro Aguirre Cerda', 'Pichilemu', 'Hualpén', 'Nogales',
       'Chillán Viejo', 'Peñaflor', 'Arauco', 'Yerbas Buenas', 'Linares',
       'Victoria', 'Machalí', 'Salamanca', 'Caldera', 'San Carlos',
       'Hijuelas', 'Pirque', 'Mariquina', 'Teodoro Schmidt', 'Quilpué',
       'San Vicente', 'Rinconada', 'Molina', 'Marchihue', 'Cañete'],
      dtype=object)

null = df['Comuna'].isna().sum()

f'cantidad de valores nulos: %{null}'

'cantidad de valores nulos: %0'

df.Comuna.value_counts()

Santiago         61
Puerto Montt     26
Antofagasta      23
Puente Alto      17
Maipú            15
                 ..
Mariquina         1
Colina            1
Arauco            1
Yerbas Buenas     1
Pichidegua        1
Name: Comuna, Length: 131, dtype: int64

groupingper = df.groupby('Region')['Comuna'].value_counts()
grouping = pd.DataFrame(groupingper)
grouping = grouping.rename(columns={'Comuna':'disponibilidad'})
grouping

		disponibilidad
Region	Comuna
1	Iquique	5
	Alto Hospicio	4
2	Antofagasta	23
	Calama	14
	Mejillones	1
...	...	...
16	Chillán	8
	Chillán Viejo	2
	Bulnes	1
	San Carlos	1
	San Ignacio	1

131 rows × 1 columns

Etapa de Analisis exploratorio

Analisis estadistico de tipo descriptivo: Permite evaluar las caracteristicas principales de los datos a traves de tablas, graficos y resumenes.

Objetivos:

Recolectar y ordenar la información por medio de gráficas y medios visuales.

Extraer las características más representativas de una colección de datos.

Observar y describir informacion potencialmente util, evaluar y desarrollar un metodo que me permita obtener el factor multiplicador de la tarifa estandar.

Es importante destacar que las caracteristicas en comun entre la oferta y demanda son las siguientes:

• Dia
• Hora
• Origen
• Tipo de Camion
• Volumen
• Peso

De estas 6 caracteristicas compartidas, no podemos extraer tipo de camion, volumen y peso desde disponibilidad de transportista debido a que no existe una relacion de estas caracteristicas en la base de datos de CamionGO. Por lo tanto vamos a extraer las caracteristicas en comun que actualmente si comparten la oferta y demanda.

Extraemos las caracteristicas en comun que nos permitiran desarrollar el metodo para obtener el factor multiplicador de la tarifa base.

dfa = df[['dia_desde', 'dia_hasta','hora_desde', 'hora_hasta','Region', 'Comuna']]
dfa

	dia_desde	dia_hasta	hora_desde	hora_hasta	Region	Comuna
0	2	3	13	18	13	La Cisterna
1	5	5	15	0	13	Santiago
2	5	5	17	23	2	Antofagasta
3	2	2	20	20	13	La Florida
4	4	4	15	15	13	La Pintana
...	...	...	...	...	...	...
594	1	1	15	15	13	Santiago
595	4	5	23	20	8	San Pedro de la Paz
596	0	1	9	16	6	Machalí
597	1	1	15	15	13	Puente Alto
598	5	6	16	8	8	Concepción

597 rows × 6 columns

Creamos una nueva columna contadora, la cual nos permitira realizar los agrupamientos por cada una de estas caracteristicas.

dfa['contador'] = '1'

dfa

	dia_desde	dia_hasta	hora_desde	hora_hasta	Region	Comuna	contador
0	2	3	13	18	13	La Cisterna	1
1	5	5	15	0	13	Santiago	1
2	5	5	17	23	2	Antofagasta	1
3	2	2	20	20	13	La Florida	1
4	4	4	15	15	13	La Pintana	1
...	...	...	...	...	...	...	...
594	1	1	15	15	13	Santiago	1
595	4	5	23	20	8	San Pedro de la Paz	1
596	0	1	9	16	6	Machalí	1
597	1	1	15	15	13	Puente Alto	1
598	5	6	16	8	8	Concepción	1

597 rows × 7 columns

dfa.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 597 entries, 0 to 598
Data columns (total 7 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   dia_desde   597 non-null    int32 
 1   dia_hasta   597 non-null    int32 
 2   hora_desde  597 non-null    object
 3   hora_hasta  597 non-null    object
 4   Region      597 non-null    object
 5   Comuna      597 non-null    object
 6   contador    597 non-null    object
dtypes: int32(2), object(5)
memory usage: 32.6+ KB

Presentacion de los valores representativos para cada columna a analizar.

N°	dias
0	Friday
1	Monday
2	Saturday
3	Sunday
4	Thursday
5	Tuesday
6	Wednesday

N°	region
1	I - Tarapacá
2	II - Antofagasta
3	III - Atacama
4	IV - Coquimbo
5	V - Valparaíso
6	VI - Región de OHiggins
7	VII - Región del Maule
8	VIII - Región del Bío Bío
9	IX - Región de la Araucanía
10	X - Región de Los Lagos
11	XI - Región de Aisén
12	XII - Región de Magallanes
13	Región Metropolitana de Santiago
14	XIV - Región de Los Ríos
15	XV - Arica y Parinacota
16	XVI - Región de Ñuble

N°	Hora
0	00:00
1	01:00
2	02:00
3	03:00
4	04:00
5	05:00
6	06:00
7	07:00
8	08:00
9	09:00
10	10:00
11	11:00
12	12:00
13	13:00
14	14:00
15	15:00
16	16:00
17	17:00
18	18:00
19	19:00
20	20:00
21	21:00
22	22:00
23	23:00

dfa.describe()

	dia_desde	dia_hasta
count	597.000000	597.000000
mean	3.169179	3.189280
std	2.110183	2.019872
min	0.000000	0.000000
25%	1.000000	1.000000
50%	4.000000	4.000000
75%	5.000000	5.000000
max	6.000000	6.000000

dfa.describe(include=[np.object])

	hora_desde	hora_hasta	Region	Comuna	contador
count	597	597	597	597	597
unique	24	24	16	131	1
top	9	0	13	Santiago	1
freq	46	108	278	61	597

Analisis Inicial

hora_desde:

• El horario de mayor frecuencia de disponibilidad horaria inicial es a las 09 AM con 46 usuarios disponibles de la muestra seleccionada.

hora_hasta:

• El horario de mayor frecuencia de disponibilidad horaria final es a las 00 AM con 108 usuarios disponibles de la muestra seleccionada.

Region:

• La region con la mayor cantidad de disponibilidad es la region metropolitana de santiago con una frecuencia de 278 usuarios disponibles de la muestra seleccionada.

Comuna:

• La comuna con la mayor cantidad de usuarios disponibles es Santiago con una frecuencia de 124 usuarios de la muestra seleccionada.

Analisis Estadistico de las caracteristicas dias

dia_desde

dia de disponibilidad inicial del Transportista.

print('Conteo:',dfa['dia_desde'].count(),'Registros')
print('Promedio:',dfa['dia_desde'].mean())
print('STD:',dfa['dia_desde'].std())
print(dfa['dia_desde'].quantile([.25, .5, .75]))
print('*******')
print('Mínimo:',min(dfa['dia_desde']))
print('Máximo:',max(dfa['dia_desde']))

Conteo: 597 Registros
Promedio: 3.169179229480737
STD: 2.110183401895436
0.25    1.0
0.50    4.0
0.75    5.0
Name: dia_desde, dtype: float64
*******
Mínimo: 0
Máximo: 6

• Existen 597 Registros en la columna
• El promedio corresponde a 3.16
• La desviación estándar es de 2.11, lo que quiere decir, el dia inicial de disponibilidad de las observaciones varía dentro del intervalo [1.05, 5.27] [mean - std; mean + std][Lunes,Sabado,Domingo,Jueves y Martes]
• Valor mínimo de la columna es 0, el cual corresponde al dia Viernes
• El 25% de las observaciones es menor a 1: Esto nos indica que el 25% de la disponibilidad inicial de la muestra tomada se indica para el dia Viernes y Lunes.
• El 50% de las observaciones es menor a 4: Esto nos indica que el 50% de la disponibilidad inicial de la muestra tomada se indica para los dias Viernes, Lunes, Sabado, Domingo y Jueves.

• El 75% de las observaciones es menor a 5: : Esto nos indica que el 75% de la disponibilidad de la muestra tomada se indica para los dias Viernes, Lunes, Sabado, domingo, jueves y martes.

• El valor máximo de la columna es 6 es cual corresponde al dia Miercoles

dia_hasta

dia de disponibilidad final del Transportista.

print('Conteo:',dfa['dia_hasta'].count(),'Registros')
print('Promedio:',dfa['dia_hasta'].mean())
print('STD:',dfa['dia_hasta'].std())
print(dfa['dia_hasta'].quantile([.25, .5, .75]))
print('*******')
print('Mínimo:',min(dfa['dia_hasta']))
print('Máximo:',max(dfa['dia_hasta']))

Conteo: 597 Registros
Promedio: 3.1892797319932997
STD: 2.019872491774694
0.25    1.0
0.50    4.0
0.75    5.0
Name: dia_hasta, dtype: float64
*******
Mínimo: 0
Máximo: 6

• Existen 597 Registros en la columna
• El promedio corresponde a 3.18
• La desviación estándar es de 2.11, lo que quiere decir, el dia final de disponibilidad de las observaciones varía dentro del intervalo [1.17, 5.19] [mean - std; mean + std][Lunes,Sabado,Domingo,Jueves y Martes]
• Valor mínimo de la columna es 0, el cual corresponde al dia Viernes
• El 25% de las observaciones es menor a 1: Esto nos indica que el 25% de la disponibilidad final de la muestra tomada se indica para el dia Viernes y Lunes.
• El 50% de las observaciones es menor a 4: Esto nos indica que el 50% de la disponibilidad final de la muestra tomada se indica para los dias Viernes, Lunes, Sabado, Domingo y Jueves.

• El 75% de las observaciones es menor a 5: : Esto nos indica que el 75% de la disponibilidad final de la muestra tomada se indica para los dias Viernes, Lunes, Sabado, domingo, jueves y martes.

• El valor máximo de la columna es 6 es cual corresponde al dia Miercoles.

Agrupamiento de disponibilidad por dia.

Agrupando por dia inicial de disponibilidad

agrupamientoxdia = dfa.groupby('dia_desde')['contador'].count()
agrupamientoxdia

dia_desde
0     80
1    111
2     55
3     48
4     90
5    111
6    102
Name: contador, dtype: int64

Analisis inicial:

• Viernes: 80 registros de disponibilidad inicial.
• Lunes: 111 registros de disponibilidad inicial.
• Sabado: 55 registros de disponibilidad inicial.
• Domingo: 48 registros de disponibilidad inicial.
• Jueves: 90 registros de disponibilidad inicial.
• Martes: 111 registros de disponibilidad inicial.
• Miercoles 102 registros de disponibilidad inicial.

tipos = ["Viernes","Lunes","Sabado", "Domingo", "Jueves", "Martes", "Miercoles"]
count= dfa['dia_desde'].value_counts()
agrupamientoxdia.plot(kind='bar', xlabel=tipos, title='Distribucion de disponibilidad por dia inicial', figsize=(10,9));

Tambien podemos visualizar esta distribucion de disponibilidad por dia inicial de manera porcentual.

La distribucion porcentual de disponibilidad por dia inicial es la siguiente:

tipos = ["Lunes","Martes","Miercoles", "Jueves", "Viernes", "Sabado", "Domingo"]
#tipos = dfa['dia'].unique()
total = dfa['dia_desde'].value_counts().tolist()
desfase = (0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1)
plt.figure(figsize=(10,7))
plt.pie(total, labels=tipos, autopct='%1.1f%%', shadow=True, startangle=90, explode=desfase) 
plt.axis("equal")
plt.show()

Interpretando:

• Los dias Lunes y Martes son los dias de la semana con una mayor cantidad de registros de disponibilidad inicial de la muestra seleccionada.

• De lunes a Viernes se llevan la gran mayoria de registros disponibilidad inicial en la muestra seleccionada.

• Los dias sabado y domingo son los dias de menor cantidad de registros de disponibilidad inicial en la muestra seleccionada.

Agrupando por dia final de disponibilidad

agrupamientoxdia = dfa.groupby('dia_hasta')['contador'].count()
agrupamientoxdia

dia_hasta
0     86
1     78
2     63
3     55
4    122
5    111
6     82
Name: contador, dtype: int64

Analisis inicial:

• Viernes: 86 registros de disponibilidad final.
• Lunes: 78 registros de disponibilidad final.
• Sabado: 63 registros de disponibilidad final.
• Domingo: 55 registros de disponibilidad final.
• Jueves: 122 registros de disponibilidad final.
• Martes: 111 registros de disponibilidad final.
• Miercoles 82 registros de disponibilidad final.

tipos = ["Viernes","Lunes","Sabado", "Domingo", "Jueves", "Martes", "Miercoles"]
count= dfa['dia_hasta'].value_counts()
agrupamientoxdia.plot(kind='bar', xlabel=tipos, title='Distribucion de disponibilidad por dia final', figsize=(10,9));

Tambien podemos visualizar esta distribucion de disponibilidad por dia final de manera porcentual.

La distribucion porcentual de disponibilidad por dia final es la siguiente:

tipos = ["Jueves", "Martes","Viernes","Miercoles", "Lunes","Sabado", "Domingo"]
#tipos = dfa['dia'].unique()
total = dfa['dia_hasta'].value_counts().tolist()
desfase = (0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1)
plt.figure(figsize=(10,5))
plt.pie(total, labels=tipos, autopct='%1.1f%%', shadow=True, startangle=90, explode=desfase) 
plt.axis("equal")
plt.show()

Interpretando:

• Los dias Martes y Jueves son los dias de la semana con una mayor cantidad de registros de disponibilidad final de la muestra seleccionada.

• De lunes a Viernes se llevan la gran mayoria de registros disponibilidad final en la muestra seleccionada.

• Los dias sabado y domingo son los dias de menor cantidad de registros de disponibilidad final en la muestra seleccionada.

Interpretacion en conjunto:

• Los dias Lunes y Martes son los dias de la semana de mayor registro de inicios de disponibilidad de Transportistas.

• Los dias Martes y Jueves son los dias de la semana de mayor registro de finalizacion de disponibilidad de Transportistas.

• En las dos agrupaciones se interpreta una baja de registros de disponibilidad tanto inicial como final para los dias sabados y domingos.

• En las dos agrupaciones se interpreta que los registros de disponibilidad tanto inicial como final en la muestra seleccionada en su gran mayoria oscilan entre lunes a viernes.

Agrupando la cantidad de disponibilidad por la caracteristica hora.

Podemos observar que la distribucion horaria es la siguiente:

hora_desde

groupingperhour = dfa.groupby('hora_desde')['contador'].count()
grouping = pd.DataFrame(groupingperhour)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
hora_desde
0	28
1	7
2	2
3	2
4	3
5	8
6	10
7	18
8	45
9	46
10	46
11	37
12	40
13	32
14	41
15	33
16	30
17	35
18	22
19	15
20	23
21	24
22	27
23	23

• Podemos ver como se distribuye la cantidad de disponibilidad por horario de inicio en la muestra seleccionada.

La representacion visual de la cantidad de disponibilidad agrupadas por hora de inicio es la siguiente:

plt.figure(figsize=(10,10))
groupingperhour.plot(kind='bar',grid=True, title='Distribucion de disponibilidad por horario de inicio');

tipos = ["9 AM","10 AM","8 AM", "14 PM","12 PM","11 AM","17 PM","15 PM", "13 PM", "16 PM","0 AM","22 PM", "21 PM", "20 PM", "23 PM", "18 PM", "7 AM", "19 PM", "6 AM", "5 AM", "1 AM", "4 AM", "2 AM", "3 AM"]
#tipos = dfa['hora'].unique()
total = dfa['hora_desde'].value_counts().tolist()
desfase = (0.1,0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,0.2, 0.4, 0.6, 0.8, 1, 1.2, 1.4, 1.6, 1.8)
plt.figure(figsize=(10,10))
plt.pie(total, labels=tipos, autopct='%1.1f%%', shadow=True, startangle=90, explode=desfase) 
plt.title('Distribución porcentual de disponibilidad por horario de inicio', fontsize=20)
plt.axis("equal")
plt.show()

Interpretacion hora inicial

• las 8 AM, 9 AM y 10 AM son los horarios de mayor disponibilidad inicial de la muestra seleccionada.
• En su contra parte, los horarios con menor frecuencia de disponibilidad inicial de la muestra seleccionada son a las 1 AM, 2 AM, 3 AM, 4 AM, 5 AM y 6 AM.

hora_hasta

Representa el horario de finalizacion de la disponibilidad del transportista.

groupingperhour = dfa.groupby('hora_hasta')['contador'].count()
grouping = pd.DataFrame(groupingperhour)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
hora_hasta
0	108
1	8
2	2
3	1
4	1
5	2
6	1
7	8
8	13
9	16
10	22
11	23
12	35
13	15
14	27
15	32
16	25
17	35
18	36
19	25
20	37
21	36
22	38
23	51

• Podemos ver como se distribuye la cantidad de disponibilidad por horario de finalizacion en la muestra seleccionada.

La representacion visual de la cantidad de disponibilidad agrupadas por hora de finalizacion es la siguiente:

plt.figure(figsize=(10,10))
groupingperhour.plot(kind='bar',grid=True, title='Distribucion de disponibilidad por horario de finalizacion');

tipos = ["0 AM","23 PM","22 PM", "20 PM","21 PM","18 PM","12 PM","17 PM", "15 PM", "14 PM","16 PM","19 PM", "11 AM", "10 AM", "9 AM", "13 PM", "8 AM", "7 AM", "1 AM", "2 AM", "5 AM", "3 AM", "4 AM", "6 AM"]
#tipos = dfa['hora'].unique()
total = dfa['hora_hasta'].value_counts().tolist()
desfase = (0.1,0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,0.2, 0.4, 0.6, 0.8, 1, 1.2, 1.4, 1.6, 1.8)
plt.figure(figsize=(10,10))
plt.pie(total, labels=tipos, autopct='%1.1f%%', shadow=True, startangle=90, explode=desfase) 
plt.title('Distribución porcentual de disponibilidad por horario de finalizacion', fontsize=20)
plt.axis("equal")
plt.show()

Interpretacion hora finalizacion

• las 00 AM, 23 PM y 22 PM son los horarios de mayor disponibilidad de finalizacion de la muestra seleccionada.
• En su contra parte, los horarios con menor frecuencia de disponibilidad de finalizacion de la muestra seleccionada son a las 1 AM, 2 AM, 3 AM, 4 AM, 5 AM y 6 AM.

Describiendo la distribución de disponibilidad por comuna

Analisis estadistico inicial

dfa['Comuna'].describe()

count          597
unique         131
top       Santiago
freq            61
Name: Comuna, dtype: object

• Existen 597 observaciones.
• Existen 131 comunas en la muestra de datos.
• La comuna con la mayor cantidad de disponibilidad es Santiago.
• Su frecuencia de disponibilidad para la comuna de Santiago es de 61.

Agrupando la cantidad de disponibilidad por la caracteristica comuna.

Podemos observar que la distribucion de comunas es la siguiente:

groupingpercommune = dfa.groupby('Comuna')['contador'].count()
grouping = pd.DataFrame(groupingpercommune)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
Comuna
Alto Hospicio	4
Antofagasta	23
Arauco	1
Arica	6
Buin	7
...	...
Villarrica	2
Vitacura	1
Viña del Mar	5
Yerbas Buenas	1
Ñuñoa	5

131 rows × 1 columns

La representacion visual de la cantidad de disponibilidad agrupadas por comuna es la siguiente:

plt.figure(figsize=(27,10))
groupingpercommune.plot(kind='bar', title='Distribucion de disponibilidad por comuna');

Para este analisis estadistico de tipo descriptivo seleccionaremos las 5 comunas con una mayor cantidad de disponibilidad.

Distribucion disponibilidad a nivel de comunas es la siguiente:

N°	Comunas
1	Santiago
2	Puerto Montt
3	Puente Alto
4	Antofagasta
5	Maipú

esta tabla nos servira para describir el comportamiento de la disponibilidad por horario en las comunas seleccionadas.

Describiendo la distribucion de disponibilidad por region

print('Conteo:',dfa['Region'].count(),'Registros')
print('Promedio:',dfa['Region'].mean())
print('STD:',dfa['Region'].std())
print(dfa['Region'].quantile([.25, .5, .75]))
print('*******')
print('Mínimo:',min(dfa['Region']))
print('Máximo:',max(dfa['Region']))

Conteo: 597 Registros
Promedio: 9.871021775544389
STD: 3.991826522756226
0.25     7
0.50    13
0.75    13
Name: Region, dtype: object
*******
Mínimo: 1
Máximo: 16

1. Hay 597 Registros en la columna.
2. El promedio corresponde a 9.87.
3. La desviación estándar es de 3.99, esto nos indica que las regiones de mayores disponibilidad de las observaciones varía dentro del intervalo [5.88, 13,86] [mean - std; mean + std] lo que quiere decir que en la gran mayoria la disponibilidad en region oscila entre la quinta y decimotercera region.
4. Valor mínimo de la columna es 1, el cual corresponde a la primera region de Tarapacá.
5. El 25% de las observaciones son menor a 7: Esto nos indica que el 25% de la disponibilidad de la muestra tomada se indican entre la Region de Tarapacá y la region de Ohiggins.
6. El 50% de las observaciones son menor a 13: Esto nos indica que el 50% de la disponibilidad de la muestra tomada se indica entre la Region de Tarapacá y la region region metropolitana.

7. El 75% de las observaciones es menor a 13: : Esto nos indica que el 75% de la disponibilidad de la muestra tomada se indica entre la Region de Tarapacá y la region region metropolitana.

8. El valor máximo de la columna es 16 es cual corresponde a la region de Ñuble.

Agrupando la cantidad de disponibilidad por la caracteristica region.

Podemos observar que la distribucion de disponibilidad es la siguiente:

groupingperregion = dfa.groupby('Region')['contador'].count()
grouping = pd.DataFrame(groupingperregion)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
Region
1	9
2	39
3	6
4	24
5	41
6	23
7	27
8	42
9	27
10	45
11	5
12	2
13	278
14	10
15	6
16	13

• Podemos ver como se distribuye la cantidad de disponibilidad por region en la muestra seleccionada.

La representacion visual y porcentual de la cantidad de disponibilidad agrupadas por region es la siguiente:

groupingperregion.plot(kind='bar', title='Distribucion de disponibilidad por region', figsize=(10,10));

tipos = ["Región Metropolitana de Santiago","X - Región de Los Lagos","VIII - Región del Bío Bío", "V - Valparaíso",  "II - Antofagasta","IX - Región de la Araucanía", "VII - Región del Maule","IV - Coquimbo", "VI - Región de OHiggins","XVI - Región de Ñuble","XIV - Región de Los Ríos",  "I - Tarapacá", "III - Atacama",  "XV - Arica y Parinacota", "XI - Región de Aisén", "XII - Región de Magallanes"]
#tipos = dfa['region'].unique()
total = dfa['Region'].value_counts().tolist()
desfase = (0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,0.2, 0.4, 0.6, 0.8, 1, 1.2, 1.4, 1.6, 1.8)
plt.figure(figsize=(5,10))
plt.pie(total, labels=tipos, autopct='%1.1f%%', shadow=True, startangle=90, explode=desfase) 
plt.title('Distribución porcentual de requerimientos por region', fontsize=20)
plt.axis("equal")
plt.show()

Vamos a seleccionar las regiones con una mayor distribucion porcentual de disponibilidad para desarrollar este analisis

N°	Region
13	Región Metropolitana de Santiago
10	X - Región de Los Lagos
8	VIII - Región del Bío Bío
5	V - Valparaíso
2	II - Antofagasta

Distribucion diaria de disponibilidad en regiones seleccionadas.

Distribucion Diaria de disponibilidad en La Region Metropolitana.

Primero describiremos la distribucion diaria inicial de disponibilidad en la region antes mencionada.

groupingpersantiago = dfa[dfa['Region']== 13]['contador'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	278

• 278 transportistas disponibles de la muestra son indicados desde la region metropolitana

groupingpersantiago = dfa[dfa['Region']== 13]['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
5	52
1	52
6	47
4	47
0	40
2	23
3	17

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la region metropolitana.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia inicial en la region de metropolitana es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Lunes", "Martes", "Miercoles", "Jueves", "Viernes", "Sabado", "Domingo"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 13]['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e62f2bb0>,
  <matplotlib.patches.Wedge at 0x299e65204c0>,
  <matplotlib.patches.Wedge at 0x299e6520cd0>,
  <matplotlib.patches.Wedge at 0x299e652f520>,
  <matplotlib.patches.Wedge at 0x299e652fd30>,
  <matplotlib.patches.Wedge at 0x299e653e580>,
  <matplotlib.patches.Wedge at 0x299e653ed90>],
 [Text(-0.6652741804538365, 0.9987042929824006, 'Lunes'),
  Text(-1.1779238653943627, -0.22911867521964152, 'Martes'),
  Text(-0.30839922164508166, -1.1596938906835321, 'Miercoles'),
  Text(0.8627889320827448, -0.8340235360441076, 'Jueves'),
  Text(1.172445071326334, 0.25568057165648683, 'Viernes'),
  Text(0.7206127497519692, 0.9595401319876653, 'Sabado'),
  Text(0.22911875793353537, 1.1779238493056308, 'Domingo')],
 [Text(-0.38807660526473786, 0.5825775042397336, '18.7%'),
  Text(-0.6871222548133782, -0.13365256054479088, '18.7%'),
  Text(-0.17989954595963092, -0.676488102898727, '16.9%'),
  Text(0.5032935437149344, -0.4865137293590628, '16.9%'),
  Text(0.6839262916070281, 0.14914700013295062, '14.4%'),
  Text(0.42035743735531533, 0.5597317436594713, '8.3%'),
  Text(0.13365260879456226, 0.6871222454282845, '6.1%')])

Analisis de la muestra en la region metropolitana

• El lunes y Martes son los dias iniciales con mayor frecuencia de disponibilidad en la region metropolitana.

• La distribucion porcentual nos muestra que entre el miercoles y jueves se distribuyen de manera similiar la frecuencia de disponibilidad inicial en la region metropolitana.

• El dia viernes es el dia habil con con la menor frecuencia diaria inicial de disponibilidad.

• La distribucion porcentual nos muestra que los dias sabado y domingo, son los dias de disponibilidad inicial con una menor frecuencia.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la region metropolitana.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la region antes mencionada.

groupingpersantiago = dfa[dfa['Region']== 13]['contador'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	278

• 278 transportistas disponibles de la muestra son indicados desde la region metropolitana.

groupingpersantiago = dfa[dfa['Region']== 13]['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
4	61
5	55
0	41
1	34
6	33
3	28
2	26

• Podemos ver como se distribuye la cantidad de disponibilidad final en la region metropolitana.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia final en la region de metropolitana es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Jueves", "Martes", "Viernes","Lunes","Miercoles", "Domingo","Sabado"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 13]['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e6a2e070>,
  <matplotlib.patches.Wedge at 0x299e6a2e940>,
  <matplotlib.patches.Wedge at 0x299e6a3b190>,
  <matplotlib.patches.Wedge at 0x299e6a3b9a0>,
  <matplotlib.patches.Wedge at 0x299e6a4c1f0>,
  <matplotlib.patches.Wedge at 0x299e6a4ca00>,
  <matplotlib.patches.Wedge at 0x299e6a59250>],
 [Text(-0.7632357183614102, 0.9259974288394878, 'Jueves'),
  Text(-1.0910456953513041, -0.49961914560531917, 'Martes'),
  Text(-0.0677680871090001, -1.198084924523127, 'Viernes'),
  Text(0.8533090290795742, -0.8437201555559015, 'Lunes'),
  Text(1.1996935189276345, -0.027119377629842418, 'Miercoles'),
  Text(0.9430096596576785, 0.7421137256460829, 'Domingo'),
  Text(0.34753051892321807, 1.148574132747625, 'Sabado')],
 [Text(-0.4452208357108226, 0.5401651668230345, '21.9%'),
  Text(-0.6364433222882607, -0.2914445016031028, '19.8%'),
  Text(-0.03953138414691673, -0.6988828726384907, '14.7%'),
  Text(0.4977636002964182, -0.4921700907409425, '12.2%'),
  Text(0.6998212193744533, -0.01581963695074141, '11.9%'),
  Text(0.5500889681336458, 0.4328996732935483, '10.1%'),
  Text(0.20272613603854384, 0.6700015774361145, '9.4%')])

Analisis de la muestra en la region metropolitana

• El Jueves y Martes son los dias finales con mayor frecuencia de disponibilidad en la region metropolitana.

• La distribucion porcentual nos muestra que entre el Lunes y Miercoles se distribuyen de manera muy similiar la frecuencia de disponibilidad final en la region metropolitana.

• El dia Miercoles es el dia habil con con la menor frecuencia diaria final de disponibilidad en la region metropolitana.

• La distribucion porcentual nos muestra que los dias sabado y domingo, son los dias de disponibilidad final con una menor frecuencia.

Interpretacion en conjunto:

• El lunes y Martes son los dias iniciales con mayor frecuencia de disponibilidad en la region metropolitana.

• El Jueves y Martes son los dias finales con mayor frecuencia de disponibilidad en la region metropolitana

• La distribucion porcentual nos muestra que entre el miercoles y jueves se distribuyen de manera similiar la frecuencia de disponibilidad inicial en la region metropolitana.

• La distribucion porcentual nos muestra que entre el Lunes y Miercoles se distribuyen de manera muy similiar la frecuencia de disponibilidad final en la region metropolitana.

• El dia viernes es el dia habil con con la menor frecuencia diaria inicial de disponibilidad.

• El dia Miercoles es el dia habil con con la menor frecuencia diaria final de disponibilidad en la region metropolitana.

• La distribucion porcentual nos muestra que los dias sabado y domingo, son los dias de disponibilidad inicial con una menor frecuencia.

• La distribucion porcentual nos muestra que los dias sabado y domingo, son los dias de disponibilidad final con una menor frecuencia.

• Podemos inferir que los fines de semana en la region metropolitana son los dias de menor cantidad de transportistas disponibles para servicios.

Distribucion diaria de disponibilidad en La Region de Los Lagos.

Primero describiremos la distribucion diaria inicial de disponibilidad en la region antes mencionada.

groupingperloslagos = dfa[dfa['Region']== 10]['contador'].value_counts()
grouping = pd.DataFrame(groupingperloslagos)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	45

• 45 transportistas disponibles de la muestra son indicados desde la region de los lagos.

groupingperloslagos = dfa[dfa['Region']== 10]['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingperloslagos)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
5	10
6	9
0	8
4	6
2	6
1	4
3	2

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la region de los lagos.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia inicial en la region de los lagos es la siguiente:

plt.figure(figsize=(10,7))
tipos = [ "Martes", "Miercoles","Viernes", "Jueves",  "Sabado","Lunes", "Domingo"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 13]['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e6a97580>,
  <matplotlib.patches.Wedge at 0x299e6a97e50>,
  <matplotlib.patches.Wedge at 0x299e6aa56a0>,
  <matplotlib.patches.Wedge at 0x299e6aa5eb0>,
  <matplotlib.patches.Wedge at 0x299e6ab4700>,
  <matplotlib.patches.Wedge at 0x299e6ab4f10>,
  <matplotlib.patches.Wedge at 0x299e6ac3760>],
 [Text(-0.6652741804538365, 0.9987042929824006, 'Martes'),
  Text(-1.1779238653943627, -0.22911867521964152, 'Miercoles'),
  Text(-0.30839922164508166, -1.1596938906835321, 'Viernes'),
  Text(0.8627889320827448, -0.8340235360441076, 'Jueves'),
  Text(1.172445071326334, 0.25568057165648683, 'Sabado'),
  Text(0.7206127497519692, 0.9595401319876653, 'Lunes'),
  Text(0.22911875793353537, 1.1779238493056308, 'Domingo')],
 [Text(-0.38807660526473786, 0.5825775042397336, '18.7%'),
  Text(-0.6871222548133782, -0.13365256054479088, '18.7%'),
  Text(-0.17989954595963092, -0.676488102898727, '16.9%'),
  Text(0.5032935437149344, -0.4865137293590628, '16.9%'),
  Text(0.6839262916070281, 0.14914700013295062, '14.4%'),
  Text(0.42035743735531533, 0.5597317436594713, '8.3%'),
  Text(0.13365260879456226, 0.6871222454282845, '6.1%')])

Analisis de la muestra en la region de los lagos

• El Martes y Miercoles son los dias iniciales con mayor frecuencia de disponibilidad en la region de los lagos.

• La distribucion porcentual nos muestra que entre el Jueves y Viernes se distribuyen de manera similiar la frecuencia de disponibilidad inicial de la muestra en la region de los lagos.

• De la muestra seleccionada el dia lunes es el dia habil con la menor frecuencia diaria inicial de disponibilidad en la region de los lagos.

• La distribucion porcentual nos muestra que los dias Lunes y Domingo, son los dias de disponibilidad inicial con una menor frecuencia.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la region de los lagos.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la region antes mencionada.

groupingperloslagos = dfa[dfa['Region']== 10]['contador'].value_counts()
grouping = pd.DataFrame(groupingperloslagos)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	45

• 45 transportistas disponibles de la muestra son indicados desde la region de los lagos.

groupingperloslagos = dfa[dfa['Region']== 10]['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingperloslagos)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
0	9
4	8
1	8
5	7
2	7
6	6

• Podemos ver como se distribuye la cantidad de disponibilidad final en la region de los lagos.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia final en la region de los lagos es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Viernes","Jueves","Lunes", "Martes", "Miercoles","Sabado"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 10]['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e6248520>,
  <matplotlib.patches.Wedge at 0x299e622ed60>,
  <matplotlib.patches.Wedge at 0x299e622e190>,
  <matplotlib.patches.Wedge at 0x299e62bfcd0>,
  <matplotlib.patches.Wedge at 0x299e5bc9f10>,
  <matplotlib.patches.Wedge at 0x299e5bd1ee0>],
 [Text(-0.705342311840444, 0.9708203866460459, 'Viernes'),
  Text(-1.1643548621690454, -0.29030631226913334, 'Jueves'),
  Text(-0.24949395937991276, -1.1737771356747986, 'Lunes'),
  Text(0.8917738632451628, -0.8029566469198682, 'Martes'),
  Text(1.1643548349886017, 0.2903064212839017, 'Miercoles'),
  Text(0.48808379036248134, 1.0962546299037434, 'Sabado')],
 [Text(-0.41144968190692566, 0.5663118922101934, '20.0%'),
  Text(-0.679207002931943, -0.16934534882366112, '17.8%'),
  Text(-0.14553814297161577, -0.6847033291436325, '17.8%'),
  Text(0.520201420226345, -0.46839137736992315, '15.6%'),
  Text(0.6792069870766843, 0.1693454124156093, '15.6%'),
  Text(0.2847155443781141, 0.6394818674438503, '13.3%')])

Analisis de la muestra en la region de los lagos

• De la muestra seleccionada los dias Jueves y Viernes son los dias finales con mayor frecuencia de disponibilidad en la region de los lagos.

• La distribucion porcentual nos muestra que entre el Martes y Miercoles se distribuyen de manera similiar la frecuencia de disponibilidad final en la region de los lagos.

• El dia Miercoles es el dia habil con con la menor frecuencia diaria final de disponibilidad en la region de los lagos.

• La distribucion porcentual nos muestra que el dia sabado es el dia de disponibilidad final con una menor frecuencia.

• La muestra seleccionada nos muestra que el dia domingo no registra disponibilidad diaria final para la region de los lagos.

Interpretacion en conjunto:

• El Martes y Miercoles son los dias iniciales con mayor frecuencia de disponibilidad en la region de los lagos.

• De la muestra seleccionada los dias Jueves y Viernes son los dias finales con mayor frecuencia de disponibilidad en la region de los lagos.

• La distribucion porcentual nos muestra que entre el Jueves y Viernes se distribuyen de manera similiar la frecuencia de disponibilidad inicial de la muestra en la region de los lagos.

• La distribucion porcentual nos muestra que entre el Martes y Miercoles se distribuyen de manera similiar la frecuencia de disponibilidad final en la region de los lagos.

• De la muestra seleccionada el dia lunes es el dia habil con la menor frecuencia diaria inicial de disponibilidad en la region de los lagos.

• La distribucion porcentual nos muestra que el dia sabado es el dia de disponibilidad final con una menor frecuencia.

• La distribucion porcentual nos muestra que los dias Lunes y Domingo, son los dias de disponibilidad inicial con una menor frecuencia.

• La muestra seleccionada nos muestra que el dia domingo no registra disponibilidad diaria final para la region de los lagos.

Distribucion Diaria de disponibilidad en La Region del Bío Bío.

Primero describiremos la distribucion diaria inicial de disponibilidad en la region antes mencionada.

groupingperbiobio = dfa[dfa['Region']== 8]['contador'].value_counts()
grouping = pd.DataFrame(groupingperbiobio)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	42

• 42 transportistas disponibles de la muestra son indicados desde la region del Bío Bío

groupingperbiobio = dfa[dfa['Region']== 8]['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingperbiobio)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
6	8
0	8
1	7
5	6
3	6
4	4
2	3

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la region metropolitana.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia inicial en la region del Bío Bío es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Miercoles", "Viernes", "Lunes", "Martes", "Domingo", "Jueves", "Sabado"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 8]['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e61ffa30>,
  <matplotlib.patches.Wedge at 0x299e62186a0>,
  <matplotlib.patches.Wedge at 0x299e6218580>,
  <matplotlib.patches.Wedge at 0x299e61e7f10>,
  <matplotlib.patches.Wedge at 0x299e61e7df0>,
  <matplotlib.patches.Wedge at 0x299e620c130>,
  <matplotlib.patches.Wedge at 0x299e6220520>],
 [Text(-0.6759840807274973, 0.9914865216446467, 'Miercoles'),
  Text(-1.1699134856893678, -0.26702515986729347, 'Viernes'),
  Text(-0.2670250503320875, -1.1699135106900622, 'Lunes'),
  Text(0.8162073696459731, -0.8796621679574507, 'Martes'),
  Text(1.1966445444230935, 0.08967627502549137, 'Domingo'),
  Text(0.816207143156177, 0.8796623781092562, 'Jueves'),
  Text(0.26702491341307505, 1.1699135419409163, 'Sabado')],
 [Text(-0.3943240470910401, 0.5783671376260439, '19.0%'),
  Text(-0.6824495333187978, -0.1557646765892545, '19.0%'),
  Text(-0.15576461269371772, -0.6824495479025363, '16.7%'),
  Text(0.47612096562681755, -0.5131362646418461, '14.3%'),
  Text(0.6980426509134711, 0.052311160431536635, '14.3%'),
  Text(0.4761208335077699, 0.5131363872303994, '9.5%'),
  Text(0.15576453282429378, 0.6824495661322011, '7.1%')])

Analisis de la muestra en la region del Bío Bío

• De la muestra seleccionada, el Miercoles y Viernes son los dias iniciales con mayor frecuencia de disponibilidad en la region del Bío Bío.

• La distribucion porcentual nos muestra que entre el Martes y Domingo se distribuyen de manera similiar la frecuencia de disponibilidad inicial en la region del Bío Bío.

• De la muestra seleccionada el dia Jueves es el dia habil con con la menor frecuencia diaria inicial de disponibilidad.

• La distribucion porcentual nos muestra que los dias Sabado y Jueves, son los dias de disponibilidad inicial con una menor frecuencia.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la region del Bío Bío.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la region antes mencionada.

groupingperbiobio = dfa[dfa['Region']== 8]['contador'].value_counts()
grouping = pd.DataFrame(groupingperbiobio)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	42

• 42 transportistas disponibles de la muestra son indicados desde la region del Bío Bío.

groupingperbiobio = dfa[dfa['Region']== 8]['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingperbiobio)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
5	8
4	7
0	7
2	6
1	6
6	5
3	3

• Podemos ver como se distribuye la cantidad de disponibilidad final en la region del Bío Bío.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia final en la region del Bío Bío es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Martes", "Jueves", "Viernes","Sabado" ,"Lunes","Miercoles", "Domingo"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 8]['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e60ebe80>,
  <matplotlib.patches.Wedge at 0x299e60eb7c0>,
  <matplotlib.patches.Wedge at 0x299e6091100>,
  <matplotlib.patches.Wedge at 0x299e6091be0>,
  <matplotlib.patches.Wedge at 0x299e60d3bb0>,
  <matplotlib.patches.Wedge at 0x299e64b6550>,
  <matplotlib.patches.Wedge at 0x299e64b6b20>],
 [Text(-0.6759840807274973, 0.9914865216446467, 'Martes'),
  Text(-1.1865969846923292, -0.17885076437933503, 'Jueves'),
  Text(-0.43840915204551856, -1.1170485286695155, 'Viernes'),
  Text(0.6759841735571623, -0.9914864583544449, 'Sabado'),
  Text(1.1966445696113426, -0.08967593891164445, 'Lunes'),
  Text(0.8796621106433115, 0.8162074314159082, 'Miercoles'),
  Text(0.26702491341307505, 1.1699135419409163, 'Domingo')],
 [Text(-0.3943240470910401, 0.5783671376260439, '19.0%'),
  Text(-0.6921815744038586, -0.1043296125546121, '16.7%'),
  Text(-0.2557386720265525, -0.6516116417238841, '16.7%'),
  Text(0.394324101241678, -0.5783671007067595, '14.3%'),
  Text(0.6980426656066164, -0.05231096436512593, '14.3%'),
  Text(0.5131362312085983, 0.47612100165927973, '11.9%'),
  Text(0.15576453282429378, 0.6824495661322011, '7.1%')])

Analisis de la muestra en la region del Bío Bío

• De la muestra seleccionada el Martes y Jueves son los dias finales con mayor frecuencia de disponibilidad en la region del Bío Bío.

• La distribucion porcentual nos muestra que el Lunes y Sabado se distribuyen de manera similiar la frecuencia de disponibilidad final en la region del bío bío.

• El dia Miercoles es el dia habil con con la menor frecuencia diaria final de disponibilidad en la region del bío bío.

• La distribucion porcentual nos muestra que el dia domingo, es el dia de disponibilidad final con una menor frecuencia.

Interpretacion en conjunto:

• De la muestra seleccionada, el Miercoles y Viernes son los dias iniciales con mayor frecuencia de disponibilidad en la region del Bío Bío.

• De la muestra seleccionada el Martes y Jueves son los dias finales con mayor frecuencia de disponibilidad en la region del Bío Bío.

• La distribucion porcentual nos muestra que entre el Martes y Domingo se distribuyen de manera similiar la frecuencia de disponibilidad inicial en la region del Bío Bío.

• La distribucion porcentual nos muestra que el Lunes y Sabado se distribuyen de manera similiar la frecuencia de disponibilidad final en la region del bío bío.

• De la muestra seleccionada el dia Jueves es el dia habil con con la menor frecuencia diaria inicial de disponibilidad.

• El dia Miercoles es el dia habil con con la menor frecuencia diaria final de disponibilidad en la region del bío bío.

• La distribucion porcentual nos muestra que los dias Sabado y Jueves, son los dias de disponibilidad inicial con una menor frecuencia.

• La distribucion porcentual nos muestra que el dia domingo, es el dia de disponibilidad final con una menor frecuencia.

Distribucion Diaria de disponibilidad en La Region de Valparaiso.

Primero describiremos la distribucion diaria inicial de disponibilidad en la region antes mencionada.

groupingpervalpo = dfa[dfa['Region']== 5]['contador'].value_counts()
grouping = pd.DataFrame(groupingpervalpo)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	41

• 41 transportistas disponibles de la muestra son indicados desde la region de valparaiso.

groupingpervalpo = dfa[dfa['Region']== 5]['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingpervalpo)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
6	9
1	9
4	8
5	6
0	4
3	3
2	2

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la region de valparaiso.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia inicial en la region de valparaiso es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Miercoles", "Lunes", "Jueves", "Martes", "Viernes", "Domingo", "Sabado"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 5]['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e64a20a0>,
  <matplotlib.patches.Wedge at 0x299e64dd280>,
  <matplotlib.patches.Wedge at 0x299e64ddbb0>,
  <matplotlib.patches.Wedge at 0x299e61857f0>,
  <matplotlib.patches.Wedge at 0x299e61403a0>,
  <matplotlib.patches.Wedge at 0x299e6140040>,
  <matplotlib.patches.Wedge at 0x299e5ff9880>],
 [Text(-0.7634909286777637, 0.9257870175298237, 'Miercoles'),
  Text(-1.0542147050204111, -0.5732637749925663, 'Lunes'),
  Text(0.2734241733287824, -1.168434517394737, 'Jueves'),
  Text(1.1571041716707475, -0.3179778858696835, 'Martes'),
  Text(1.0542147586932349, 0.5732636762898595, 'Viernes'),
  Text(0.6132225395878125, 1.031483454516588, 'Domingo'),
  Text(0.18317930084528214, 1.1859364838564643, 'Sabado')],
 [Text(-0.44536970839536216, 0.5400424268923971, '22.0%'),
  Text(-0.6149585779285731, -0.33440386874566363, '22.0%'),
  Text(0.15949743444178968, -0.6815868018135967, '19.5%'),
  Text(0.6749774334746026, -0.18548710009064867, '14.6%'),
  Text(0.6149586092377203, 0.33440381116908474, '9.8%'),
  Text(0.3577131480928906, 0.6016986818013429, '7.3%'),
  Text(0.10685459215974791, 0.6917962822496042, '4.9%')])

Analisis de la muestra en la region de valparaiso

• El lunes y Miercoles son los dias iniciales con mayor frecuencia de disponibilidad en la region de valparaiso.

• La distribucion porcentual nos muestra que entre lunes a viernes se distribuyen la gran parte de frecuencia de disponibilidad inicial en la region de valparaiso.

• El dia viernes es el dia habil con con la menor frecuencia diaria inicial de disponibilidad.

• La distribucion porcentual nos muestra que los dias sabado y domingo, son los dias de disponibilidad inicial con una menor frecuencia.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la region de valparaiso.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la region antes mencionada.

groupingpervalpo = dfa[dfa['Region']== 5]['contador'].value_counts()
grouping = pd.DataFrame(groupingpervalpo)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	41

• 41 transportistas disponibles de la muestra son indicados desde la region de valparaiso.

groupingpervalpo = dfa[dfa['Region']== 5]['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingpervalpo)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
4	13
5	6
6	5
2	5
0	5
3	4
1	3

• Podemos ver como se distribuye la frecuencia de disponibilidad final en la region de valparaiso.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia final en la region de valparaiso es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Jueves", "Martes", "Miercoles","Sabado","Viernes", "Domingo","Lunes"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 5]['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e647c430>,
  <matplotlib.patches.Wedge at 0x299e647ce80>,
  <matplotlib.patches.Wedge at 0x299e5f3d100>,
  <matplotlib.patches.Wedge at 0x299e5f30b50>,
  <matplotlib.patches.Wedge at 0x299e5f301f0>,
  <matplotlib.patches.Wedge at 0x299e5fa8ca0>,
  <matplotlib.patches.Wedge at 0x299e5f4b790>],
 [Text(-1.0072385024211261, 0.6522810738021205, 'Jueves'),
  Text(-0.7634909720169811, -0.9257869817882327, 'Martes'),
  Text(0.18317907877450326, -1.1859365181574115, 'Miercoles'),
  Text(0.9543514206095608, -0.727470525850026, 'Sabado'),
  Text(1.1920825099114754, 0.13762009142257495, 'Viernes'),
  Text(0.8321190167462258, 0.8646258971192654, 'Domingo'),
  Text(0.27342425537633347, 1.1684344981948702, 'Lunes')],
 [Text(-0.5875557930789901, 0.380497293051237, '31.7%'),
  Text(-0.4453697336765723, -0.5400424060431357, '14.6%'),
  Text(0.10685446261846024, -0.69179630225849, '12.2%'),
  Text(0.556704995355577, -0.42435780674584844, '12.2%'),
  Text(0.6953814641150271, 0.08027838666316872, '12.2%'),
  Text(0.4854027597686317, 0.5043651066529048, '9.8%'),
  Text(0.1594974823028612, 0.6815867906136741, '7.3%')])

Analisis de la muestra en la region de valparaiso

• El Jueves y Martes son los dias finales con mayor frecuencia de disponibilidad en la region de valparaiso.

• La distribucion porcentual nos muestra que entre el Miercoles, Viernes y Sabado se distribuye de manera similiar la frecuencia de disponibilidad final en la region de valparaiso.

• El dia Lunes es el dia habil con con la menor frecuencia diaria final de disponibilidad en la region de valparaiso.

• La distribucion porcentual nos muestra que los dias Domingo y Lunes, son los dias de disponibilidad final con una menor frecuencia.

Interpretacion en conjunto:

• De la muestra seleccionada el lunes y Miercoles son los dias iniciales con mayor frecuencia de disponibilidad en la region de valparaiso.

• De la muestra seleccionada el Jueves y Martes son los dias finales con mayor frecuencia de disponibilidad en la region de valparaiso.

• La distribucion porcentual nos muestra que entre lunes a viernes se distribuyen la gran parte de frecuencia de disponibilidad inicial en la region de valparaiso.

• La distribucion porcentual nos muestra que entre el Miercoles, Viernes y Sabado se distribuye de manera similiar la frecuencia de disponibilidad final en la region de valparaiso.

• El dia viernes es el dia habil con con la menor frecuencia diaria inicial de disponibilidad.

• El dia Lunes es el dia habil con con la menor frecuencia diaria final de disponibilidad en la region de valparaiso.

• La distribucion porcentual nos muestra que los dias sabado y domingo, son los dias de disponibilidad inicial con una menor frecuencia.

• La distribucion porcentual nos muestra que los dias Domingo y Lunes, son los dias de disponibilidad final con una menor frecuencia.

Distribucion diaria de disponibilidad en La Region de Antofagasta.

Primero describiremos la distribucion diaria inicial de disponibilidad en la region antes mencionada.

groupingperantofagasta = dfa[dfa['Region']== 2]['contador'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	39

• 39 transportistas disponibles de la muestra son indicados desde la region de antofagasta

groupingperantofagasta = dfa[dfa['Region']== 2]['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
5	10
1	7
4	6
3	6
6	5
2	4
0	1

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la region de antofagasta.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia inicial en la region de antofagasta es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Martes", "Lunes", "Jueves", "Domingo", "Miercoles", "Sabado", "Viernes"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 5]['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e651d070>,
  <matplotlib.patches.Wedge at 0x299e651d430>,
  <matplotlib.patches.Wedge at 0x299e64e3e80>,
  <matplotlib.patches.Wedge at 0x299e64e38b0>,
  <matplotlib.patches.Wedge at 0x299e60f33d0>,
  <matplotlib.patches.Wedge at 0x299e60f3430>,
  <matplotlib.patches.Wedge at 0x299e600ceb0>],
 [Text(-0.7634909286777637, 0.9257870175298237, 'Martes'),
  Text(-1.0542147050204111, -0.5732637749925663, 'Lunes'),
  Text(0.2734241733287824, -1.168434517394737, 'Jueves'),
  Text(1.1571041716707475, -0.3179778858696835, 'Domingo'),
  Text(1.0542147586932349, 0.5732636762898595, 'Miercoles'),
  Text(0.6132225395878125, 1.031483454516588, 'Sabado'),
  Text(0.18317930084528214, 1.1859364838564643, 'Viernes')],
 [Text(-0.44536970839536216, 0.5400424268923971, '22.0%'),
  Text(-0.6149585779285731, -0.33440386874566363, '22.0%'),
  Text(0.15949743444178968, -0.6815868018135967, '19.5%'),
  Text(0.6749774334746026, -0.18548710009064867, '14.6%'),
  Text(0.6149586092377203, 0.33440381116908474, '9.8%'),
  Text(0.3577131480928906, 0.6016986818013429, '7.3%'),
  Text(0.10685459215974791, 0.6917962822496042, '4.9%')])

Analisis de la muestra en la region de antofagasta

• El lunes y Martes son los dias iniciales con mayor frecuencia de disponibilidad en la region de antofagasta.

• El dia viernes es el dia habil con con la menor frecuencia diaria inicial de disponibilidad.

• La distribucion porcentual nos muestra que los dias Viernes y Sabado, son los dias de disponibilidad inicial con una menor frecuencia.

• De la muestra seleccionada, los dias iniciales con la mayor frecuencia de disponibilidad son Lunes, Martes, Miercoles, Jueves y Domingo.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la region de antofagasta.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la region antes mencionada.

groupingperantofagasta = dfa[dfa['Region']== 2]['contador'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	39

• 39 transportistas disponibles de la muestra son indicados desde la region de antofagasta

groupingperantofagasta = dfa[dfa['Region']== 2]['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
5	11
4	9
6	5
3	5
1	5
2	2
0	2

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la region de antofagasta.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia final en la region de antofagasta es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Martes", "Jueves", "Miercoles","Domingo","Lunes", "Sabado","Viernes"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Region']== 2]['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e6851eb0>,
  <matplotlib.patches.Wedge at 0x299e66597f0>,
  <matplotlib.patches.Wedge at 0x299e6659b50>,
  <matplotlib.patches.Wedge at 0x299e666e730>,
  <matplotlib.patches.Wedge at 0x299e666e190>,
  <matplotlib.patches.Wedge at 0x299e66362b0>,
  <matplotlib.patches.Wedge at 0x299e65b1580>],
 [Text(-0.929525985166562, 0.7589344127789519, 'Martes'),
  Text(-0.7208906353271789, -0.9593313775216449, 'Jueves'),
  Text(0.5576679250666874, -1.0625471685303272, 'Miercoles'),
  Text(1.1526217864555781, -0.33386077545580584, 'Domingo'),
  Text(1.0392303628265211, 0.6000002108161774, 'Lunes'),
  Text(0.5576675644413407, 1.0625473578010833, 'Sabado'),
  Text(0.19249326227443989, 1.1844603598174757, 'Viernes')],
 [Text(-0.5422234913471611, 0.4427117407877219, '28.2%'),
  Text(-0.4205195372741876, -0.5596099702209595, '23.1%'),
  Text(0.3253062896222343, -0.6198191816426908, '12.8%'),
  Text(0.6723627087657538, -0.19475211901588674, '12.8%'),
  Text(0.606217711648804, 0.3500001229761034, '12.8%'),
  Text(0.32530607925744875, 0.6198192920506318, '5.1%'),
  Text(0.1122877363267566, 0.6909352098935273, '5.1%')])

Analisis de la muestra en la region de antofagasta

• El Martes y Jueves son los dias finales con mayor frecuencia de disponibilidad en la region de antofagasta.

• La distribucion porcentual nos muestra que entre el Miercoles y Domingo se distribuyen de manera similiar la frecuencia de disponibilidad final en la region de antofagasta.

• El dia Viernes es el dia habil con con la menor frecuencia diaria final de disponibilidad en la region de antofagasta.

• La distribucion porcentual nos muestra que los dias viernes y sabado, son los dias de disponibilidad final con una menor frecuencia.

Interpretacion en conjunto:

• De la muestra seleccionada el lunes y Martes son los dias iniciales con mayor frecuencia de disponibilidad en la region de antofagasta.

• De la muestra seleccionada el Martes y Jueves son los dias finales con mayor frecuencia de disponibilidad en la region de antofagasta.

• La distribucion porcentual nos muestra que entre el Miercoles y Domingo se distribuyen de manera similiar la frecuencia de disponibilidad final en la region de antofagasta.

• El dia viernes es el dia habil con con la menor frecuencia diaria inicial de disponibilidad en la region de antofagasta.

• El dia Viernes es el dia habil con con la menor frecuencia diaria final de disponibilidad en la region de antofagasta.

• La distribucion porcentual nos muestra que los dias Viernes y Sabado, son los dias de disponibilidad inicial con una menor frecuencia.

• La distribucion porcentual nos muestra que los dias viernes y sabado, son los dias de disponibilidad final con una menor frecuencia.

• De la muestra seleccionada, los dias iniciales con la mayor frecuencia de disponibilidad son Lunes, Martes, Miercoles, Jueves y Domingo.

Distribucion diaria de disponibilidad en las comunas seleccionadas para el analisis.

N°	Comunas
1	Santiago
2	Puerto Montt
3	Puente Alto
4	Antofagasta
5	Maipú

Primero describiremos la distribucion diaria inicial de disponibilidad en la comuna de Santiago.

groupingperstgo = dfa[dfa['Comuna']== 'Santiago']['contador'].value_counts()
grouping = pd.DataFrame(groupingperstgo)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	61

• 61 transportistas disponibles de la muestra son indicados desde la comuna santiago.

groupingperstgo = dfa[dfa['Comuna']== 'Santiago']['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingperstgo)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
5	14
1	12
6	10
0	9
4	8
3	4
2	4

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la comuna de santiago.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de inicio en la comuna de santiago es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Martes","Lunes","Miercoles","Viernes","Jueves","Domingo","Sabado"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Santiago']['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e6629130>,
  <matplotlib.patches.Wedge at 0x299e65e4a00>,
  <matplotlib.patches.Wedge at 0x299e65aa550>,
  <matplotlib.patches.Wedge at 0x299e65aadc0>,
  <matplotlib.patches.Wedge at 0x299e6681160>,
  <matplotlib.patches.Wedge at 0x299e66817f0>,
  <matplotlib.patches.Wedge at 0x299e6227c70>],
 [Text(-0.7921825295873827, 0.9013583304194486, 'Martes'),
  Text(-1.05921457010935, -0.5639720688722669, 'Lunes'),
  Text(0.06177448825015575, -1.1984089087625442, 'Miercoles'),
  Text(1.0287775470544447, -0.6177513728650385, 'Viernes'),
  Text(1.133387084222342, 0.3942508304594655, 'Jueves'),
  Text(0.6953053756397518, 0.9780339639329833, 'Domingo'),
  Text(0.2454625758062397, 1.1746268019582076, 'Sabado')],
 [Text(-0.4621064755926399, 0.525792359411345, '23.0%'),
  Text(-0.6178751658971209, -0.32898370684215567, '19.7%'),
  Text(0.03603511814592419, -0.6990718634448173, '16.4%'),
  Text(0.6001202357817594, -0.36035496750460577, '14.8%'),
  Text(0.661142465796366, 0.22997965110135485, '13.1%'),
  Text(0.40559480245652185, 0.5705198122942402, '6.6%'),
  Text(0.14318650255363982, 0.6851989678089543, '6.6%')])

Analisis de la muestra en la comuna de santiago

• El Martes es el dia con la mayor frecuencia de disponibilidad inicial en la comuna de santiago. es el dia de mayor demanda de disponibilidad para esta comuna.

• La distribucion nos muestra que la gran mayoria de disponibilidad inicial de Transportistas en la comuna de santiago se distribuyen entre el lunes y Viernes.

• Los dias Sabado y Domingo muestran una menor frecuencia de disponibilidad inicial en esta comuna, aun asi se tiene una frecuencia a considerar.

• El Sabado es el dia con la menor frecuencia de disponibilidad inicial de transportista para esta comuna.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la comuna de Santiago.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la comuna antes mencionada.

groupingperstgo = dfa[dfa['Comuna']== 'Santiago']['contador'].value_counts()
grouping = pd.DataFrame(groupingperstgo)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	61

• 61 transportistas disponibles de la muestra son indicados desde la comuna santiago.

groupingperstgo = dfa[dfa['Comuna']== 'Santiago']['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingperstgo)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
5	16
4	12
1	8
6	7
0	7
2	6
3	5

• Podemos ver como se distribuye la cantidad de disponibilidad diaria final en la comuna de santiago.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de finalizacion en la comuna de santiago es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Martes","Jueves","Lunes","Miercoles","Viernes","Sabado","Domingo"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Santiago']['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e5fdaf10>,
  <matplotlib.patches.Wedge at 0x299e5fd6820>,
  <matplotlib.patches.Wedge at 0x299e5fde130>,
  <matplotlib.patches.Wedge at 0x299e5fdea30>,
  <matplotlib.patches.Wedge at 0x299e61c2340>,
  <matplotlib.patches.Wedge at 0x299e61c2c10>,
  <matplotlib.patches.Wedge at 0x299e61dd520>],
 [Text(-0.8806624021852977, 0.8151280472276863, 'Martes'),
  Text(-0.9214565965970928, -0.7687117408936219, 'Jueves'),
  Text(0.18466858467091046, -1.1857054920323356, 'Lunes'),
  Text(0.9598070058006143, -0.7202572537753852, 'Miercoles'),
  Text(1.196421044602315, 0.0926103883627874, 'Viernes'),
  Text(0.8806625548208737, 0.8151278823205422, 'Sabado'),
  Text(0.30560550414393794, 1.1604332276511775, 'Domingo')],
 [Text(-0.5137197346080903, 0.47549136088281696, '26.2%'),
  Text(-0.5375163480149707, -0.4484151821879461, '19.7%'),
  Text(0.1077233410580311, -0.6916615370188623, '13.1%'),
  Text(0.5598874200503583, -0.42015006470230803, '11.5%'),
  Text(0.6979122760180169, 0.05402272654495931, '11.5%'),
  Text(0.5137198236455096, 0.4754912646869829, '9.8%'),
  Text(0.17826987741729713, 0.6769193827965201, '8.2%')])

Analisis de la muestra en la comuna de santiago

• El Martes es el dia con la mayor frecuencia de disponibilidad final en la comuna de santiago.

• La distribucion nos muestra que la gran mayoria de disponibilidad final de Transportistas en la comuna de santiago se distribuyen entre el lunes y Viernes.

• Los dias Sabado y Domingo muestran una menor frecuencia de disponibilidad final en esta comuna, aun asi se tiene una frecuencia a considerar.

• De la muestra seleccionada, la distribucion porcentual nos muestra que el dia miercoles y viernes se distribuyen de manera similiar la frecuencia de disponibilidad final en la comuna de santiago.

• El Domingo es el dia con la menor frecuencia de disponibilidad final de transportista para esta comuna.

Distribucion diaria de disponibilidad en la comuna de Puerto Montt

Primero describiremos la distribucion diaria inicial de disponibilidad en la comuna antes mencionada.

groupingperptomontt = dfa[dfa['Comuna']== 'Puerto Montt']['contador'].value_counts()
grouping = pd.DataFrame(groupingperptomontt)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	26

• 26 transportistas disponibles de la muestra son indicados desde la comuna de puerto montt.

groupingperptomontt = dfa[dfa['Comuna']== 'Puerto Montt']['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingperptomontt)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
6	5
0	5
5	4
1	4
4	3
2	3
3	2

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la comuna de puerto montt.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de inicio en la comuna de puerto montt es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Miercoles","Viernes","Martes","Lunes","Jueves","Sabado","Domingo"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Puerto Montt']['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e664a040>,
  <matplotlib.patches.Wedge at 0x299e664a9a0>,
  <matplotlib.patches.Wedge at 0x299e61392b0>,
  <matplotlib.patches.Wedge at 0x299e6139b80>,
  <matplotlib.patches.Wedge at 0x299e616f430>,
  <matplotlib.patches.Wedge at 0x299e616fb50>,
  <matplotlib.patches.Wedge at 0x299e614b670>],
 [Text(-0.6816777067463067, 0.9875806317081641, 'Miercoles'),
  Text(-1.165130171604009, -0.28717883490607854, 'Viernes'),
  Text(-0.2871787258187177, -1.165130198491627, 'Martes'),
  Text(0.7957472772202019, -0.8982128204365798, 'Lunes'),
  Text(1.1999999999999917, 1.4044013496057818e-07, 'Jueves'),
  Text(0.8982128018107705, 0.7957472982443897, 'Sabado'),
  Text(0.28717864400319637, 1.1651302186573333, 'Domingo')],
 [Text(-0.3976453289353455, 0.5760887018297622, '19.2%'),
  Text(-0.6796592667690051, -0.16752098702854581, '19.2%'),
  Text(-0.16752092339425195, -0.6796592824534491, '15.4%'),
  Text(0.46418591171178436, -0.5239574785880048, '15.4%'),
  Text(0.6999999999999952, 8.192341206033728e-08, '11.5%'),
  Text(0.5239574677229495, 0.464185923975894, '11.5%'),
  Text(0.16752087566853122, 0.6796592942167778, '7.7%')])

Analisis de la muestra en la comuna de Puerto Montt

• El Miercoles es el dia con la mayor frecuencia de disponibilidad inicial en la comuna de Puerto Montt. es el dia de mayor demanda de disponibilidad para esta comuna.

• La distribucion nos muestra que la gran mayoria de disponibilidad inicial de Transportistas en la comuna de Puerto Montt se distribuyen entre lunes a Viernes.

• La distribucion porcentual nos muestra que entre el Lunes y Martes, tambien entre Jueves y Sabado se distribuye de manera similiar la frecuencia de disponibilidad inicial en la comuna de puerto montt.

• Los dias Sabado y Domingo muestran una menor frecuencia de disponibilidad inicial en esta comuna, aun asi se tiene una frecuencia a considerar.

• El Domingo es el dia con la menor frecuencia de disponibilidad inicial de transportista para esta comuna.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la comuna de Puerto Montt.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la comuna antes mencionada.

groupingperptomontt = dfa[dfa['Comuna']== 'Puerto Montt']['contador'].value_counts()
grouping = pd.DataFrame(groupingperptomontt)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	26

• 26 transportistas disponibles de la muestra son indicados desde la comuna de Puerto Montt.

groupingperptomontt = dfa[dfa['Comuna']== 'Puerto Montt']['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingperptomontt)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
6	6
1	6
0	5
5	3
4	3
2	3

• Podemos ver como se distribuye la cantidad de disponibilidad diaria final en la comuna de Puerto Montt.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de finalizacion en la comuna de Puerto Montt es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Miercoles","Lunes","Viernes","Martes","Jueves","Sabado"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Puerto Montt']['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e6083130>,
  <matplotlib.patches.Wedge at 0x299e6083a60>,
  <matplotlib.patches.Wedge at 0x299e65af3a0>,
  <matplotlib.patches.Wedge at 0x299e65afc70>,
  <matplotlib.patches.Wedge at 0x299e65d6580>,
  <matplotlib.patches.Wedge at 0x299e65d6e50>],
 [Text(-0.795747193123445, 0.8982128949398127, 'Miercoles'),
  Text(-0.9875806317081641, -0.6816777067463067, 'Lunes'),
  Text(0.42552589273401614, -1.1220194804961805, 'Viernes'),
  Text(1.1651301917697232, -0.28717875309055896, 'Martes'),
  Text(1.0625472076898044, 0.5576678504545516, 'Jueves'),
  Text(0.42552581394573147, 1.1220195103766346, 'Sabado')],
 [Text(-0.46418586265534284, 0.523957522048224, '23.1%'),
  Text(-0.5760887018297625, -0.3976453289353455, '23.1%'),
  Text(0.24822343742817604, -0.6545113636227718, '19.2%'),
  Text(0.6796592785323384, -0.16752093930282602, '11.5%'),
  Text(0.6198192044857191, 0.32530624609848835, '11.5%'),
  Text(0.24822339146834332, 0.6545113810530369, '11.5%')])

Analisis de la muestra en la comuna de Puerto Montt

• De la muestra seleccionada el Miercoles es el dia con la mayor frecuencia de disponibilidad final en la comuna de Puerto Montt.

• La distribucion nos muestra que la gran mayoria de disponibilidad final de Transportistas en la comuna de Puerto Montt se distribuyen entre el lunes y Viernes.

• El dia sabado nos muestra una menor frecuencia de disponibilidad final en esta comuna, aun asi se tiene una frecuencia a considerar.

• De la muestra seleccionada, la distribucion porcentual nos indica que el dia Lunes y Miercoles, asi tambien los dias Martes, jueves y Sabado, se distribuyen de manera similiar la frecuencia de disponibilidad final en la comuna de Puerto Montt.

• El Sabado es el dia con la menor frecuencia de disponibilidad final de transportista para esta comuna.

• De la muestra seleccionada el dia domingo no presenta frecuencia de disponibilidad final para la comuna de Puerto Montt.

Distribucion Diaria de disponibilidad en La comuna de Puente Alto

Primero describiremos la distribucion diaria inicial de disponibilidad en la comuna antes mencionada.

groupingperptealto = dfa[dfa['Comuna']== 'Puente Alto']['contador'].value_counts()
grouping = pd.DataFrame(groupingperptealto)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	17

• 17 transportistas disponibles de la muestra son indicados desde la comuna de puente alto.

groupingperstgo = dfa[dfa['Comuna']== 'Puente Alto']['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingperstgo)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
6	7
5	2
4	2
2	2
1	2
3	1
0	1

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la comuna de puente alto.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de inicio en la comuna de puente alto es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Miercoles","Martes","Jueves","Sabado","Lunes","Domingo","Viernes"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Puente Alto']['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e62bffa0>,
  <matplotlib.patches.Wedge at 0x299e61627c0>,
  <matplotlib.patches.Wedge at 0x299e647c8e0>,
  <matplotlib.patches.Wedge at 0x299e6adcf40>,
  <matplotlib.patches.Wedge at 0x299e6499940>,
  <matplotlib.patches.Wedge at 0x299e60aab20>,
  <matplotlib.patches.Wedge at 0x299e600c610>],
 [Text(-1.1541907772332558, 0.3283955690165341, 'Miercoles'),
  Text(-0.22049938077727382, -1.1795677272106246, 'Martes'),
  Text(0.6317186333813491, -1.0202605393911894, 'Jueves'),
  Text(1.1541907849199085, -0.328395542000749, 'Sabado'),
  Text(1.0741959267956478, 0.5348860727815217, 'Lunes'),
  Text(0.6317185497981229, 1.0202605911437317, 'Domingo'),
  Text(0.22049936697238698, 1.1795677297912048, 'Viernes')],
 [Text(-0.6732779533860658, 0.19156408192631152, '41.2%'),
  Text(-0.12862463878674305, -0.6880811742061977, '11.8%'),
  Text(0.36850253613912026, -0.5951519813115271, '11.8%'),
  Text(0.6732779578699466, -0.19156406616710359, '11.8%'),
  Text(0.6266142906307945, 0.312016875789221, '11.8%'),
  Text(0.36850248738223834, 0.59515201150051, '5.9%'),
  Text(0.12862463073389238, 0.688081175711536, '5.9%')])

Analisis de la muestra en la comuna de Puente Alto

• El Miercoles es el dia con la mayor frecuencia de disponibilidad inicial en la comuna de puente alto. es el dia de mayor demanda de disponibilidad para esta comuna.

• Los dias Viernes y Domingo muestran una menor frecuencia de disponibilidad inicial en esta comuna, aun asi se tiene una frecuencia a considerar.

• El Viernes es el dia con la menor frecuencia de disponibilidad inicial de transportista para esta comuna.

• De la muestra seleccionada, la distribucion porcentual nos indica que el dia Lunes, Martes, Jueves y Sabado, asi tambien los dias Viernes y Domingo, se distribuyen de manera similiar la frecuencia de disponibilidad inicial en la comuna de Puente Alto.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la comuna de Puente Alto.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la comuna antes mencionada.

groupingperptealto = dfa[dfa['Comuna']== 'Puente Alto']['contador'].value_counts()
grouping = pd.DataFrame(groupingperptealto)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	17

• 17 transportistas disponibles de la muestra son indicados desde la comuna de puente alto.

groupingperptealto = dfa[dfa['Comuna']== 'Puente Alto']['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingperptealto)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
6	4
5	4
4	3
1	3
0	2
3	1

• Podemos ver como se distribuye la cantidad de disponibilidad diaria final en la comuna de Puente Alto.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de finalizacion en la comuna de puente alto es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Miercoles","Martes","Jueves","Lunes","Viernes","Domingo"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Puente Alto']['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e5bc22e0>,
  <matplotlib.patches.Wedge at 0x299e6601370>,
  <matplotlib.patches.Wedge at 0x299e65af7c0>,
  <matplotlib.patches.Wedge at 0x299e60f7b50>,
  <matplotlib.patches.Wedge at 0x299e66896d0>,
  <matplotlib.patches.Wedge at 0x299e6595280>],
 [Text(-0.808434774817904, 0.8868106984385815, 'Miercoles'),
  Text(-0.9576206667621164, -0.7231615715661888, 'Martes'),
  Text(0.43349002715655394, -1.1189666645418042, 'Jueves'),
  Text(1.194881017347109, -0.11072196883879024, 'Lunes'),
  Text(0.8084347125459953, 0.8868107552069235, 'Viernes'),
  Text(0.22049933936261082, 1.1795677349523648, 'Domingo')],
 [Text(-0.4715869519771107, 0.5173062407558392, '23.5%'),
  Text(-0.5586120556112345, -0.4218442500802767, '23.5%'),
  Text(0.2528691825079898, -0.6527305543160523, '17.6%'),
  Text(0.6970139267858134, -0.06458781515596096, '17.6%'),
  Text(0.47158691565183053, 0.5173062738707054, '11.8%'),
  Text(0.12862461462818964, 0.6880811787222127, '5.9%')])

Analisis de la muestra en la comuna de puente alto

• El Miercoles es el dia con la mayor frecuencia de disponibilidad final en la comuna de puente alto.

• Los dias Viernes y Domingo muestran una menor frecuencia de disponibilidad final en esta comuna, aun asi se tiene una frecuencia a considerar.

• El Domingo es el dia con la menor frecuencia de disponibilidad final de transportistas para esta comuna.

• De la muestra seleccionada, la distribucion porcentual nos indica que el dia Martes y Miercoles asi tambien los dias Lunes y Jueves, se distribuyen de manera similiar la frecuencia de disponibilidad final en la comuna de Puente Alto.

Distribucion Diaria de disponibilidad en La comuna de Antofagasta

Primero describiremos la distribucion diaria inicial de disponibilidad en la comuna antes mencionada.

groupingperantofagasta = dfa[dfa['Comuna']== 'Antofagasta']['contador'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	23

• 23 transportistas disponibles de la muestra son indicados desde la comuna de Antofagasta.

groupingperantofagasta = dfa[dfa['Comuna']== 'Antofagasta']['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
5	6
3	5
1	5
4	4
6	2
0	1

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la comuna de Antofagasta.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de inicio en la comuna de Antofagasta es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Martes","Domingo","Lunes","Jueves","Miercoles","Viernes"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Antofagasta']['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e63910d0>,
  <matplotlib.patches.Wedge at 0x299e6391a30>,
  <matplotlib.patches.Wedge at 0x299e639d340>,
  <matplotlib.patches.Wedge at 0x299e639dc10>,
  <matplotlib.patches.Wedge at 0x299e63ac520>,
  <matplotlib.patches.Wedge at 0x299e63acdf0>],
 [Text(-0.8770031504653762, 0.8190637790024686, 'Martes'),
  Text(-0.8770031888085182, -0.8190637379469871, 'Domingo'),
  Text(0.6235006544810243, -1.0253033374868799, 'Lunes'),
  Text(1.1749009285744227, 0.24414710326964634, 'Jueves'),
  Text(0.623500822473713, 1.0253032353282632, 'Miercoles'),
  Text(0.16340006541934726, 1.1888231233539133, 'Viernes')],
 [Text(-0.5115851711048027, 0.4777872044181066, '26.1%'),
  Text(-0.5115851934716356, -0.47778718046907576, '21.7%'),
  Text(0.36370871511393077, -0.5980936135340131, '21.7%'),
  Text(0.6853588750017465, 0.14241914357396035, '17.4%'),
  Text(0.3637088131096659, 0.5980935539414868, '8.7%'),
  Text(0.09531670482795257, 0.6934801552897826, '4.3%')])

Analisis de la muestra en la comuna de Antofagasta

• El Martes es el dia con la mayor frecuencia de disponibilidad inicial en la comuna de Antofagasta. es el dia de mayor demanda de disponibilidad para esta comuna.

• Los dias Miercoles y Viernes muestran una menor frecuencia de disponibilidad inicial en esta comuna, aun asi se tiene una frecuencia a considerar.

• El Viernes es el dia con la menor frecuencia de disponibilidad inicial de transportistas para esta comuna.

• De la muestra seleccionada, la distribucion porcentual nos indica que el dia Domingo y Lunes, se distribuyen de manera similiar la frecuencia de disponibilidad inicial de transportistas en la comuna de Antofagasta.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la comuna de Antofagasta.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la comuna antes mencionada.

groupingperantofagasta = dfa[dfa['Comuna']== 'Antofagasta']['contador'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	23

• 23 transportistas disponibles de la muestra son indicados desde la comuna de Antofagasta.

groupingperantofagasta = dfa[dfa['Comuna']== 'Antofagasta']['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
5	8
6	5
4	5
3	3
1	2

• Podemos ver como se distribuye la cantidad de disponibilidad diaria final en la comuna de Antofagasta.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de finalizacion en la comuna de Antofagasta es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Martes","Miercoles","Jueves","Domingo","Lunes"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Antofagasta']['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e63f96a0>,
  <matplotlib.patches.Wedge at 0x299e63f9fd0>,
  <matplotlib.patches.Wedge at 0x299e64068e0>,
  <matplotlib.patches.Wedge at 0x299e6413220>,
  <matplotlib.patches.Wedge at 0x299e6413af0>],
 [Text(-1.0654622733196495, 0.5520780235913443, 'Martes'),
  Text(-0.32375610422164475, -1.155500750748014, 'Miercoles'),
  Text(1.0654622474750108, -0.5520780734692321, 'Jueves'),
  Text(0.9803639082336707, 0.6920163346575015, 'Domingo'),
  Text(0.3237561853609854, 1.1555007280138354, 'Lunes')],
 [Text(-0.621519659436462, 0.3220455137616175, '34.8%'),
  Text(-0.1888577274626261, -0.6740421046030081, '21.7%'),
  Text(0.621519644360423, -0.322045542857052, '21.7%'),
  Text(0.5718789464696412, 0.4036761952168758, '13.0%'),
  Text(0.18885777479390814, 0.6740420913414039, '8.7%')])

Analisis de la muestra en la comuna de Antofagasta

• El Martes es el dia con la mayor frecuencia de disponibilidad final en la comuna de Antofagasta.

• La distribucion nos muestra que la gran mayoria de disponibilidad final de Transportistas en la comuna de santiago se distribuyen entre Martes, Miercoles y Jueves.

• Los dias Domingo y Lunes muestran una menor frecuencia de disponibilidad final en esta comuna, aun asi se tiene una frecuencia a considerar.

• De la muestra seleccionada, la distribucion porcentual nos muestra que el dia miercoles y jueves se distribuyen de manera similiar la frecuencia de disponibilidad final en la comuna de Antofagasta.

• El Lunes es el dia con la menor frecuencia de disponibilidad final de transportista para esta comuna.

Distribucion diaria de disponibilidad en la comuna de Maipú

Primero describiremos la distribucion diaria inicial de disponibilidad en la comuna antes mencionada.

groupingpermaipu = dfa[dfa['Comuna']== 'Maipú']['contador'].value_counts()
grouping = pd.DataFrame(groupingpermaipu)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	15

• 15 transportistas disponibles de la muestra son indicados desde la comuna de Maipú

groupingpermaipu = dfa[dfa['Comuna']== 'Maipú']['dia_desde'].value_counts()
grouping = pd.DataFrame(groupingpermaipu)
grouping = grouping.rename(columns={'dia_desde':'disponibilidad'})
grouping

	disponibilidad
0	4
6	3
4	2
3	2
1	2
5	1
2	1

• Podemos ver como se distribuye la cantidad de disponibilidad diaria inicial en la comuna de Maipú.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de inicio en la comuna de Maipú es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Viernes","Miercoles","Jueves","Domingo","Lunes","Martes","Sabado"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Maipú']['dia_desde'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e66c4370>,
  <matplotlib.patches.Wedge at 0x299e66c4cd0>,
  <matplotlib.patches.Wedge at 0x299e66d25e0>,
  <matplotlib.patches.Wedge at 0x299e66d2eb0>,
  <matplotlib.patches.Wedge at 0x299e66df7f0>,
  <matplotlib.patches.Wedge at 0x299e66ed100>,
  <matplotlib.patches.Wedge at 0x299e66ed9d0>],
 [Text(-0.8917738256560485, 0.8029566886668146, 'Viernes'),
  Text(-0.8917737128886933, -0.8029568139076438, 'Miercoles'),
  Text(0.2494941791738013, -1.1737770889561574, 'Jueves'),
  Text(1.0392305875307437, -0.5999998216170612, 'Domingo'),
  Text(1.141267739701123, 0.370820639012299, 'Lunes'),
  Text(0.7053420618798191, 0.9708205682530248, 'Martes'),
  Text(0.24949371211177657, 1.1737771882332209, 'Sabado')],
 [Text(-0.5202013982993615, 0.4683914017223084, '26.7%'),
  Text(-0.5202013325184045, -0.4683914747794589, '20.0%'),
  Text(0.1455382711847174, -0.6847033018910919, '13.3%'),
  Text(0.6062178427262672, -0.3499998959432856, '13.3%'),
  Text(0.6657395148256551, 0.21631203942384108, '13.3%'),
  Text(0.4114495360965611, 0.5663119981475977, '6.7%'),
  Text(0.14553799873186968, 0.6847033598027121, '6.7%')])

Analisis de la muestra en la comuna de Maipú

• De la muestra seleccionada el Viernes es el dia con la mayor frecuencia de disponibilidad inicial en la comuna de Maipú. es el dia de mayor demanda de disponibilidad para esta comuna.

• Los dias Martes y Sabado muestran una menor frecuencia de disponibilidad inicial en esta comuna, aun asi se tiene una frecuencia a considerar.

• De la muestra seleccionada, la distribucion porcentual nos muestra que el dia Lunes, Jueves y Domingo, asi tambien los dias Martes y Sabado, se distribuyen de manera similiar la frecuencia de disponibilidad inicial en la comuna de Maipú.

• El Sabado es el dia con la menor frecuencia de disponibilidad inicial de transportista para esta comuna.

Conociendo el comportamiento de la distribucion diaria inicial de disponibilidad en la comuna de Maipú.

Ahora vamos a describir el comportamiento de la distribucion diaria final de disponibilidad en la comuna antes mencionada.

groupingpermaipu = dfa[dfa['Comuna']== 'Maipú']['contador'].value_counts()
grouping = pd.DataFrame(groupingpermaipu)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	15

• 15 transportistas disponibles de la muestra son indicados desde la comuna de Maipú

groupingperstgo = dfa[dfa['Comuna']== 'Maipú']['dia_hasta'].value_counts()
grouping = pd.DataFrame(groupingperstgo)
grouping = grouping.rename(columns={'dia_hasta':'disponibilidad'})
grouping

	disponibilidad
4	4
1	4
0	3
3	2
6	1
2	1

• Podemos ver como se distribuye la cantidad de disponibilidad diaria final en la comuna de Maipú.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por dia de finalizacion en la comuna de Maipú es la siguiente:

plt.figure(figsize=(10,7))
tipos = ["Jueves","Lunes","Viernes","Domingo","Miercoles","Sabado"]
desfase = (0.1, 0.1, 0.1,0.1, 0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Maipú']['dia_hasta'].value_counts()
plt.pie(grafico ,autopct='%1.1f%%', shadow=True, startangle=90, labels = tipos, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e6737490>,
  <matplotlib.patches.Wedge at 0x299e6737df0>,
  <matplotlib.patches.Wedge at 0x299e6744700>,
  <matplotlib.patches.Wedge at 0x299e6744fd0>,
  <matplotlib.patches.Wedge at 0x299e67548e0>,
  <matplotlib.patches.Wedge at 0x299e67611f0>],
 [Text(-0.8917738256560485, 0.8029566886668146, 'Jueves'),
  Text(-0.7053421754982906, -0.970820485704406, 'Lunes'),
  Text(0.8917739384233858, -0.80295656342597, 'Viernes'),
  Text(1.141267739701123, 0.370820639012299, 'Domingo'),
  Text(0.7053420618798191, 0.9708205682530248, 'Miercoles'),
  Text(0.24949371211177657, 1.1737771882332209, 'Sabado')],
 [Text(-0.5202013982993615, 0.4683914017223084, '26.7%'),
  Text(-0.41144960237400285, -0.5663119499942368, '26.7%'),
  Text(0.5202014640803083, -0.4683913286651491, '20.0%'),
  Text(0.6657395148256551, 0.21631203942384108, '13.3%'),
  Text(0.4114495360965611, 0.5663119981475977, '6.7%'),
  Text(0.14553799873186968, 0.6847033598027121, '6.7%')])

Analisis de la muestra en la comuna de Maipú

• De la muestra seleccionada el Jueves es el dia con la mayor frecuencia de disponibilidad final en la comuna de Maipú.

• La distribucion nos muestra que la gran mayoria de disponibilidad final de Transportistas en la comuna de santiago se distribuyen entre el lunes, Jueves, Viernes y Domingo.

• Los dias Miercoles y Sabado muestran una menor frecuencia de disponibilidad final en esta comuna, aun asi se tiene una frecuencia a considerar.

• De la muestra seleccionada, la distribucion porcentual nos muestra que el dia Lunes y Jueves, asi tambien los dias Miercoles y Sabado, se distribuyen de manera similiar la frecuencia de disponibilidad final en la comuna de Maipú.

• El Sabado es el dia con la menor frecuencia de disponibilidad final de transportista para esta comuna.

Descripcion horaria de disponibilidad en regiones y comunas seleccionadas para el analisis.

Iniciaremos con la distribucion horaria inicial de requerimientos en las regiones seleccionadas.

Podemos observar que la distribucion horaria de disponibilidad inicial en la region metropolitana es la siguiente:

groupingpersantiago = dfa[dfa['Region']== 13]['contador'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	278

• 278 transportistas disponibles de la muestra son indicados desde la region metropolitana.

groupingpersantiago = dfa[dfa['Region']== 13]['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'hora_desde':'disponibilidad'})
grouping

	disponibilidad
10	22
12	21
15	20
9	20
13	20
11	19
8	17
14	16
23	14
16	13
22	12
17	11
20	11
19	10
7	10
0	10
18	9
6	8
21	5
5	4
1	3
4	1
3	1
2	1

• Podemos ver como se distribuye el horario inicial de disponibilidad indicado en la region metropolitana.

La representacion visual y porcentual de la cantidad de disponibilidad agrupados por horario de inicio en la region metropolitana es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.4, 0.6, 0.8, 1, 1.2, 1.4, 1.6, 1.8, 2)
grafico = dfa[dfa['Region']== 13]['hora_desde'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e7bc7eb0>,
  <matplotlib.patches.Wedge at 0x299e7bd3820>,
  <matplotlib.patches.Wedge at 0x299e7be1130>,
  <matplotlib.patches.Wedge at 0x299e7be1a00>,
  <matplotlib.patches.Wedge at 0x299e7bef310>,
  <matplotlib.patches.Wedge at 0x299e7befc10>,
  <matplotlib.patches.Wedge at 0x299e7bfd520>,
  <matplotlib.patches.Wedge at 0x299e7bfddf0>,
  <matplotlib.patches.Wedge at 0x299e7c0b700>,
  <matplotlib.patches.Wedge at 0x299e7c0bfd0>,
  <matplotlib.patches.Wedge at 0x299e7babb20>,
  <matplotlib.patches.Wedge at 0x299e7c261c0>,
  <matplotlib.patches.Wedge at 0x299e7c26a90>,
  <matplotlib.patches.Wedge at 0x299e7c333a0>,
  <matplotlib.patches.Wedge at 0x299e7c33c70>,
  <matplotlib.patches.Wedge at 0x299e7c42580>,
  <matplotlib.patches.Wedge at 0x299e7c42e50>,
  <matplotlib.patches.Wedge at 0x299e7c4f760>,
  <matplotlib.patches.Wedge at 0x299e7c4ffd0>,
  <matplotlib.patches.Wedge at 0x299e7c5f940>,
  <matplotlib.patches.Wedge at 0x299e7c6b250>,
  <matplotlib.patches.Wedge at 0x299e7c6bb20>,
  <matplotlib.patches.Wedge at 0x299e7c7a430>,
  <matplotlib.patches.Wedge at 0x299e7c7ad00>],
 [Text(-0.29527442541208304, 1.1631049022756135, '10'),
  Text(-0.8042995064304412, 0.8905629140918392, '12'),
  Text(-1.117519694455796, 0.4372067388586598, '15'),
  Text(-1.1962474089414488, -0.09482687699629441, '9'),
  Text(-1.0346807349555098, -0.6078122873979485, '13'),
  Text(-0.6765174749457389, -0.9911226493694117, '11'),
  Text(-0.22911864764834314, -1.1779238707572721, '8'),
  Text(0.21579305801794885, -1.1804377815502443, '14'),
  Text(0.5960811310112543, -1.0414832141001333, '23'),
  Text(0.8814171410848108, -0.8143118710923223, '16'),
  Text(1.0734838968530314, -0.53631364256117, '22'),
  Text(1.1752595138647277, -0.2424150883720822, '17'),
  Text(1.198774231627004, 0.05422491666278812, '20'),
  Text(1.1524280413670533, 0.3345289366719976, '19'),
  Text(1.048152691677676, 0.5842738526828348, '7'),
  Text(1.113203572017339, 1.0053744612072844, '0'),
  Text(0.9898866305901223, 1.3820725229085973, '18'),
  Text(0.7910635360127247, 1.7274890685590591, '6'),
  Text(0.5854253795461883, 2.0167491477581443, '21'),
  Text(0.4136030765530567, 2.2625058000071174, '5'),
  Text(0.25382726964780034, 2.487080963133919, '1'),
  Text(0.15247798501397625, 2.695691092110904, '4'),
  Text(0.0982969744197516, 2.8983336082687106, '3'),
  Text(0.03503116312343548, 3.0998020610371593, '2')],
 [Text(-0.1722434148237151, 0.6784778596607745, '7.9%'),
  Text(-0.469174712084424, 0.5194950332202395, '7.6%'),
  Text(-0.6518864884325476, 0.2550372643342182, '7.2%'),
  Text(-0.6978109885491784, -0.0553156782478384, '7.2%'),
  Text(-0.6035637620573806, -0.3545571676488032, '7.2%'),
  Text(-0.39463519371834765, -0.5781548787988234, '6.8%'),
  Text(-0.1336525444615335, -0.687122257941742, '6.1%'),
  Text(0.12587928384380348, -0.6885887059043092, '5.8%'),
  Text(0.3477139930898983, -0.6075318748917443, '5.0%'),
  Text(0.5141599989661396, -0.4750152581371879, '4.7%'),
  Text(0.6261989398309349, -0.3128496248273491, '4.3%'),
  Text(0.6855680497544243, -0.14140880155038127, '4.0%'),
  Text(0.6992849684490856, 0.0316312013866264, '4.0%'),
  Text(0.6722496907974477, 0.19514187972533195, '3.6%'),
  Text(0.6114224034786442, 0.340826414064987, '3.6%'),
  Text(0.7421357146782259, 0.6702496408048563, '3.6%'),
  Text(0.6987435039459686, 0.9755806044060685, '3.2%'),
  Text(0.582888921272534, 1.2728866820961486, '2.9%'),
  Text(0.4460383844161434, 1.5365707792443004, '1.8%'),
  Text(0.3236893642589139, 1.7706567130490485, '1.4%'),
  Text(0.20306181571824028, 1.9896647705071353, '1.1%'),
  Text(0.12424132112249917, 2.196489038016292, '0.4%'),
  Text(0.0813492202094496, 2.3986209171878983, '0.4%'),
  Text(0.029380975522881374, 2.599833986676327, '0.4%')])

Analisis de la muestra en la region metropolitana

• En la region metropolitana el horario inicial con una mayor cantidad de disponibilidad es a las 10 AM.

• Por lo tanto de la muestra podemos observar que a las 09 AM y 12 PM serian los horarios de mayor disponibilidad en la region.

• Entre las 08 AM y 15 PM es el horario inicial con mayor frecuencia de disponibilidad en esta region.

• Entre las 00 AM y 06 AM es el rango de horario inicial con menor frecuencia de disponibilidad en esta region.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la region metropolitana.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la region antes mencionada.

groupingpersantiago = dfa[dfa['Region']== 13]['contador'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	278

• 278 transportistas disponibles de la muestra son indicados desde la region metropolitana.

groupingpersantiago = dfa[dfa['Region']== 13]['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
0	51
23	28
22	20
12	17
15	17
18	17
20	16
16	14
21	13
17	13
19	11
11	11
10	11
9	11
14	8
13	6
8	4
7	4
1	4
5	1
3	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la region metropolitana.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la region metropolitana es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.4, 0.6, 0.8, 1, 1.2, 1.4)
grafico = dfa[dfa['Region']== 13]['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e7cc2d90>,
  <matplotlib.patches.Wedge at 0x299e7cce700>,
  <matplotlib.patches.Wedge at 0x299e7ccefd0>,
  <matplotlib.patches.Wedge at 0x299e7cdd8e0>,
  <matplotlib.patches.Wedge at 0x299e7ceb1f0>,
  <matplotlib.patches.Wedge at 0x299e7cebac0>,
  <matplotlib.patches.Wedge at 0x299e7cf9400>,
  <matplotlib.patches.Wedge at 0x299e7cf9cd0>,
  <matplotlib.patches.Wedge at 0x299e7d085e0>,
  <matplotlib.patches.Wedge at 0x299e7d08eb0>,
  <matplotlib.patches.Wedge at 0x299e7ca49a0>,
  <matplotlib.patches.Wedge at 0x299e7d240a0>,
  <matplotlib.patches.Wedge at 0x299e7d24970>,
  <matplotlib.patches.Wedge at 0x299e7d31280>,
  <matplotlib.patches.Wedge at 0x299e7d31b50>,
  <matplotlib.patches.Wedge at 0x299e7d3e460>,
  <matplotlib.patches.Wedge at 0x299e7d3ed30>,
  <matplotlib.patches.Wedge at 0x299e7d4b640>,
  <matplotlib.patches.Wedge at 0x299e7d4bf10>,
  <matplotlib.patches.Wedge at 0x299e7d5a820>,
  <matplotlib.patches.Wedge at 0x299e7d69130>],
 [Text(-0.6539458810416368, 1.0061584292091768, '0'),
  Text(-1.1937988480452586, 0.12183722914533837, '23'),
  Text(-1.085330126291409, -0.5119165136663147, '22'),
  Text(-0.7839678701729479, -0.9085121785295407, '12'),
  Text(-0.38626239318979794, -1.1361343950463298, '15'),
  Text(0.06776805906579839, -1.1980849261093536, '18'),
  Text(0.49961913283643544, -1.0910457011985193, '20'),
  Text(0.8340234754590078, -0.8627889906479325, '16'),
  Text(1.0546883494637074, -0.5723918985323961, '21'),
  Text(1.1752594968423207, -0.2424151708988846, '17'),
  Text(1.1972426162358123, 0.08130263137701896, '19'),
  Text(1.140426806994012, 0.37339884559200565, '11'),
  Text(1.0134840669329546, 0.6425340816431753, '10'),
  Text(0.8242203373858967, 0.8721587214718883, '9'),
  Text(0.619465805685281, 1.0277461338223004, '14'),
  Text(0.5622591391602135, 1.3906346250654107, '13'),
  Text(0.4554364542454269, 1.637857636104052, '8'),
  Text(0.3416722488978435, 1.869026504449065, '7'),
  Text(0.189593131517724, 2.0914240231194876, '1'),
  Text(0.07795984086907554, 2.2986783731552505, '5'),
  Text(0.028251124512916375, 2.4998403696963845, '3')],
 [Text(-0.38146843060762137, 0.5869257503720197, '18.3%'),
  Text(-0.6963826613597341, 0.07107171700144738, '10.1%'),
  Text(-0.6331092403366553, -0.2986179663053502, '7.2%'),
  Text(-0.4573145909342196, -0.5299654374755653, '6.1%'),
  Text(-0.22531972936071543, -0.6627450637770258, '6.1%'),
  Text(0.03953136778838239, -0.6988828735637894, '6.1%'),
  Text(0.2914444941545873, -0.6364433256991362, '5.8%'),
  Text(0.48651369401775446, -0.5032935778779606, '5.0%'),
  Text(0.6152348705204959, -0.33389527414389775, '4.7%'),
  Text(0.685568039824687, -0.14140884969101597, '4.7%'),
  Text(0.6983915261375572, 0.04742653496992772, '4.0%'),
  Text(0.665248970746507, 0.2178159932620033, '4.0%'),
  Text(0.5911990390442234, 0.37481154762518554, '4.0%'),
  Text(0.4807951968084397, 0.5087592541919348, '4.0%'),
  Text(0.3613550533164138, 0.5995185780630086, '2.9%'),
  Text(0.374839426106809, 0.927089750043607, '2.2%'),
  Text(0.3214845559379484, 1.1561348019558013, '1.4%'),
  Text(0.2517584991878846, 1.3771774243308899, '1.4%'),
  Text(0.1444519097277897, 1.5934659223767524, '1.4%'),
  Text(0.06101204937579825, 1.7989656833388916, '0.4%'),
  Text(0.022600899610333097, 1.9998722957571076, '0.4%')])

Analisis de la muestra en la region metropolitana

• En la region metropolitana el horario final con una mayor frecuencia de disponibilidad es a las 00 AM.

• Por lo tanto de la muestra podemos observar que entre las 22 PM y 00 AM se registra la mayor frecuencia de disponibilidad final agrupado por horario en la region metropolitana.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la region metropolitana.

• Entre las 00 AM y 08 AM es el rango de horario final con menor frecuencia de disponibilidad en esta region.

Descripcion de la distribucion horaria de disponibilidad inicial en la region de los lagos es la siguiente:

groupingperloslagos = dfa[dfa['Region']== 10]['contador'].value_counts()
grouping = pd.DataFrame(groupingperloslagos)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	45

• 45 transportistas disponibles de la muestra son indicados desde la region de los lagos.

groupingperloslagos = dfa[dfa['Region']== 10]['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingperloslagos)
grouping = grouping.rename(columns={'hora_desde':'disponibilidad'})
grouping

	disponibilidad
0	6
11	4
18	4
17	4
10	4
16	3
14	3
5	2
8	2
9	2
12	2
21	2
13	2
19	1
6	1
20	1
4	1
23	1

• Podemos ver como se distribuye el horario de disponibilidad inicial indicado en la region de los lagos.

La representacion visual y porcentual de la frecuencia de disponibilidad inicial agrupados por horario en la region de los lagos es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.4, 0.6, 0.8)
grafico = dfa[dfa['Region']== 10]['hora_desde'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e7e488b0>,
  <matplotlib.patches.Wedge at 0x299e7e57220>,
  <matplotlib.patches.Wedge at 0x299e7e57a00>,
  <matplotlib.patches.Wedge at 0x299e7e65250>,
  <matplotlib.patches.Wedge at 0x299e7e65a60>,
  <matplotlib.patches.Wedge at 0x299e7e742b0>,
  <matplotlib.patches.Wedge at 0x299e7e74ac0>,
  <matplotlib.patches.Wedge at 0x299e7e83310>,
  <matplotlib.patches.Wedge at 0x299e7e83b20>,
  <matplotlib.patches.Wedge at 0x299e7e92370>,
  <matplotlib.patches.Wedge at 0x299e7e278e0>,
  <matplotlib.patches.Wedge at 0x299e7ea23a0>,
  <matplotlib.patches.Wedge at 0x299e7ea2bb0>,
  <matplotlib.patches.Wedge at 0x299e7eb1400>,
  <matplotlib.patches.Wedge at 0x299e7eb1c10>,
  <matplotlib.patches.Wedge at 0x299e7ebf460>,
  <matplotlib.patches.Wedge at 0x299e7ebfc70>,
  <matplotlib.patches.Wedge at 0x299e7ecf4c0>],
 [Text(-0.4880839956400038, 1.0962545385083198, '0'),
  Text(-1.078552882100313, 0.5260453217291345, '11'),
  Text(-1.1934262664168636, -0.12543423227454908, '18'),
  Text(-0.945612847069959, -0.7387938436778196, '17'),
  Text(-0.41042406934703285, -1.127631182302362, '10'),
  Text(0.16700785033579646, -1.1883216643342898, '16'),
  Text(0.6359032499424957, -1.0176576323659012, '14'),
  Text(0.9456130113507554, -0.7387936334079743, '5'),
  Text(1.1126206936390517, -0.4495277433998435, '8'),
  Text(1.193426294308835, -0.125433966900047, '9'),
  Text(1.181769269201622, 0.2083780083662003, '12'),
  Text(1.0785527651269822, 0.5260455615599667, '21'),
  Text(0.8917736471077282, 0.8029568869647867, '13'),
  Text(0.7053421243699795, 0.9708205228512863, '19'),
  Text(0.5633656770787913, 1.059537216849675, '6'),
  Text(0.5130299464650656, 1.4095390289133722, '20'),
  Text(0.3534495519876527, 1.662850989776212, '4'),
  Text(0.13253692622073132, 1.895371721638782, '23')],
 [Text(-0.28471566412333554, 0.639481814129853, '13.3%'),
  Text(-0.6291558478918491, 0.3068597710086618, '8.9%'),
  Text(-0.6961653220765036, -0.07316996882682028, '8.9%'),
  Text(-0.5516074941241427, -0.4309630754787281, '8.9%'),
  Text(-0.23941404045243583, -0.6577848563430443, '8.9%'),
  Text(0.09742124602921459, -0.6931876375283356, '6.7%'),
  Text(0.3709435624664558, -0.593633618880109, '6.7%'),
  Text(0.5516075899546072, -0.43096295282131836, '4.4%'),
  Text(0.6490287379561135, -0.26222451698324206, '4.4%'),
  Text(0.6961653383468204, -0.0731698140250274, '4.4%'),
  Text(0.6893654070342795, 0.12155383821361683, '4.4%'),
  Text(0.6291557796574063, 0.3068599109099806, '4.4%'),
  Text(0.5202012941461748, 0.46839151739612556, '4.4%'),
  Text(0.4114495725491546, 0.5663119716632503, '2.2%'),
  Text(0.3286299782959615, 0.6180633764956438, '2.2%'),
  Text(0.34201996431004367, 0.9396926859422481, '2.2%'),
  Text(0.24949380140304894, 1.1737771692537966, '2.2%'),
  Text(0.09765878774159151, 1.396589689628576, '2.2%')])

Analisis de la muestra en la region de los lagos

• En la region de los lagos el horario inicial con una mayor cantidad de disponibilidad es a las 00 AM.

• Por lo tanto de la muestra podemos observar que a las 00 AM y 11 AM serian los horarios de mayor disponibilidad en la region.

• De la muestra podemos observar que a las 23 AM y 04 AM serian los horarios de menor disponibilidad en la region.

• de la muestra seleccionada, existen horarios que no registran disponibilidad. Esto debido a la baja frecuencia de disponibilidad.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la region los lagos.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la region antes mencionada.

groupingperloslagos = dfa[dfa['Region']== 10]['contador'].value_counts()
grouping = pd.DataFrame(groupingperloslagos)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	45

• 45 transportistas disponibles de la muestra son indicados desde la region de los lagos.

groupingperloslagos = dfa[dfa['Region']== 10]['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingperloslagos)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
0	6
17	6
19	5
18	4
14	4
16	3
11	3
20	2
21	2
13	2
23	2
22	1
10	1
9	1
8	1
6	1
4	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la region de los lagos.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la region de los lagos es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.4, 0.6)
grafico = dfa[dfa['Region']== 10]['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e7d8cb80>,
  <matplotlib.patches.Wedge at 0x299e7d816a0>,
  <matplotlib.patches.Wedge at 0x299e7d814f0>,
  <matplotlib.patches.Wedge at 0x299e7cab9a0>,
  <matplotlib.patches.Wedge at 0x299e7da6d30>,
  <matplotlib.patches.Wedge at 0x299e7da60a0>,
  <matplotlib.patches.Wedge at 0x299e6499250>,
  <matplotlib.patches.Wedge at 0x299e5bc5820>,
  <matplotlib.patches.Wedge at 0x299e67148b0>,
  <matplotlib.patches.Wedge at 0x299e6422940>,
  <matplotlib.patches.Wedge at 0x299e7c33e50>,
  <matplotlib.patches.Wedge at 0x299e620cfd0>,
  <matplotlib.patches.Wedge at 0x299e5b96940>,
  <matplotlib.patches.Wedge at 0x299e63cfd30>,
  <matplotlib.patches.Wedge at 0x299e63694c0>,
  <matplotlib.patches.Wedge at 0x299e622e760>,
  <matplotlib.patches.Wedge at 0x299e6737460>],
 [Text(-0.4880839956400038, 1.0962545385083198, '0'),
  Text(-1.1412678438572794, 0.37082031845269275, '17'),
  Text(-1.078552808222426, -0.5260454732012421, '19'),
  Text(-0.5633657700797582, -1.0595371674002008, '18'),
  Text(0.08370790360971714, -1.1970768508634968, '14'),
  Text(0.6359032499424957, -1.0176576323659012, '16'),
  Text(0.9948451893336216, -0.6710313325469615, '11'),
  Text(1.1643549199274543, -0.29030608061274193, '20'),
  Text(1.199268985158096, 0.04187960407968291, '21'),
  Text(1.1412677527206476, 0.37082059894234964, '13'),
  Text(0.9948449615875475, 0.671031670194389, '23'),
  Text(0.8335898787588788, 0.8632079205097448, '22'),
  Text(0.7053421130081328, 0.9708205311061477, '10'),
  Text(0.5633656646786616, 1.0595372234429379, '9'),
  Text(0.41042394397499515, 1.127631227934031, '8'),
  Text(0.31186723458241355, 1.4672214652171358, '6'),
  Text(0.11858565098185359, 1.6958589102225488, '4')],
 [Text(-0.28471566412333554, 0.639481814129853, '13.3%'),
  Text(-0.665739575583413, 0.21631185243073744, '13.3%'),
  Text(-0.6291558047964152, -0.3068598593673912, '11.1%'),
  Text(-0.32863003254652556, -0.6180633476501172, '8.9%'),
  Text(0.048829610439001664, -0.6982948296703732, '8.9%'),
  Text(0.3709435624664558, -0.593633618880109, '6.7%'),
  Text(0.5803263604446126, -0.3914349439857275, '6.7%'),
  Text(0.6792070366243482, -0.1693452136907661, '4.4%'),
  Text(0.6995735746755558, 0.02442976904648169, '4.4%'),
  Text(0.6657395224203777, 0.21631201604970396, '4.4%'),
  Text(0.580326227592736, 0.39143514094672693, '4.4%'),
  Text(0.486260762609346, 0.5035379536306844, '2.2%'),
  Text(0.41144956592141074, 0.5663119764785861, '2.2%'),
  Text(0.3286299710625526, 0.6180633803417137, '2.2%'),
  Text(0.23941396731874717, 0.6577848829615179, '2.2%'),
  Text(0.20791148972160903, 0.9781476434780905, '2.2%'),
  Text(0.08370751834013193, 1.1970768778041518, '2.2%')])

Analisis de la muestra en la region de los lagos

• En la region de los lagos el horario final con una mayor frecuencia de disponibilidad es a las 00 AM.

• Por lo tanto de la muestra podemos observar que a a las 00 PM y 17 PM se registra la mayor frecuencia de disponibilidad final agrupado por horario en la region metropolitana.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la region de los lago.

• Entre las 04 AM y 06 AM es el rango de horario final con menor frecuencia de disponibilidad en esta region.

Descripcion de la distribucion horaria de disponibilidad inicial en la region del bío bío es la siguiente:

groupingperbiobio = dfa[dfa['Region']== 8]['contador'].value_counts()
grouping = pd.DataFrame(groupingperbiobio)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	42

• 42 transportistas disponibles de la muestra son indicados desde la region del bío bío.

groupingperbiobio = dfa[dfa['Region']== 8]['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingperbiobio)
grouping = grouping.rename(columns={'hora_desde':'disponibilidad'})
grouping

	disponibilidad
14	5
17	4
10	4
16	3
15	3
12	3
9	3
7	2
21	2
18	2
22	2
8	2
23	1
1	1
5	1
13	1
11	1
20	1
0	1

• Podemos ver como se distribuye el horario de disponibilidad inicial indicado en la region del bío bío.

La representacion visual y porcentual de la frecuencia de disponibilidad inicial agrupados por horario en la region del bío bío es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.4, 0.6, 0.8, 1)
grafico = dfa[dfa['Region']== 8]['hora_desde'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e629b6a0>,
  <matplotlib.patches.Wedge at 0x299e5f4be50>,
  <matplotlib.patches.Wedge at 0x299e5fedfd0>,
  <matplotlib.patches.Wedge at 0x299e6115340>,
  <matplotlib.patches.Wedge at 0x299e6ae09d0>,
  <matplotlib.patches.Wedge at 0x299e65ede80>,
  <matplotlib.patches.Wedge at 0x299e65bce20>,
  <matplotlib.patches.Wedge at 0x299e64358b0>,
  <matplotlib.patches.Wedge at 0x299e6974400>,
  <matplotlib.patches.Wedge at 0x299e69748b0>,
  <matplotlib.patches.Wedge at 0x299e66fb5e0>,
  <matplotlib.patches.Wedge at 0x299e5bc2220>,
  <matplotlib.patches.Wedge at 0x299e7ef8550>,
  <matplotlib.patches.Wedge at 0x299e7ef8e50>,
  <matplotlib.patches.Wedge at 0x299e7fc2760>,
  <matplotlib.patches.Wedge at 0x299e7fc2fd0>,
  <matplotlib.patches.Wedge at 0x299e7fd1940>,
  <matplotlib.patches.Wedge at 0x299e7fdf250>,
  <matplotlib.patches.Wedge at 0x299e7fdfb20>],
 [Text(-0.43840923048474106, 1.1170484978843922, '14'),
  Text(-1.039230489222664, 0.5999999918916852, '17'),
  Text(-1.1966445549182085, -0.08967613497805565, '10'),
  Text(-0.991486505822097, -0.6759841039349143, '16'),
  Text(-0.599999943241794, -1.03923051731069, '15'),
  Text(-0.08967602294010718, -1.196644563314289, '12'),
  Text(0.438409335070367, -1.1170484568375534, '9'),
  Text(0.8162073799409628, -0.8796621584050942, '7'),
  Text(1.0392305524207186, -0.5999998824294286, '21'),
  Text(1.1699135263154914, -0.2670249818725812, '18'),
  Text(1.1966445454726058, 0.08967626102074748, '22'),
  Text(1.117048441444986, 0.438409374289976, '8'),
  Text(0.9914864385762555, 0.6759842025664308, '23'),
  Text(0.8796621345242028, 0.8162074056784363, '1'),
  Text(0.7481876312541393, 0.9381978834117672, '5'),
  Text(0.7499998150290571, 1.2990382124696642, '13'),
  Text(0.6210795116820639, 1.5824854628617508, '11'),
  Text(0.42278950043447894, 1.85236309570299, '20'),
  Text(0.1569328808412258, 2.0941279977381693, '0')],
 [Text(-0.2557387177827656, 0.6516116237658954, '11.9%'),
  Text(-0.6062177853798874, 0.3499999952701497, '9.5%'),
  Text(-0.6980426570356216, -0.05231107873719913, '9.5%'),
  Text(-0.5783671283962233, -0.39432406062869996, '7.1%'),
  Text(-0.3499999668910464, -0.6062178017645692, '7.1%'),
  Text(-0.05231101338172918, -0.6980426619333352, '7.1%'),
  Text(0.2557387787910474, -0.651611599821906, '7.1%'),
  Text(0.4761209716322283, -0.5131362590696382, '4.8%'),
  Text(0.6062178222454192, -0.3499999314171666, '4.8%'),
  Text(0.6824495570173699, -0.15576457275900568, '4.8%'),
  Text(0.6980426515256866, 0.052311152262102686, '4.8%'),
  Text(0.6516115908429083, 0.25573880166915264, '4.8%'),
  Text(0.5783670891694823, 0.3943241181637513, '2.4%'),
  Text(0.5131362451391184, 0.4761209866457545, '2.4%'),
  Text(0.43644278489824795, 0.5472820986568643, '2.4%'),
  Text(0.499999876686038, 0.8660254749797762, '2.4%'),
  Text(0.4384090670696921, 1.1170485620200592, '2.4%'),
  Text(0.31152910558330027, 1.3648991231495715, '2.4%'),
  Text(0.11956790921236252, 1.5955260935147955, '2.4%')])

Analisis de la muestra en la region del bío bío

• En la region metropolitana el horario inicial con una mayor cantidad de disponibilidad es a las 14 PM.

• Por lo tanto de la muestra podemos observar que a las 14 AM y 17 PM serian los horarios de mayor disponibilidad en la region.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad inicial en la region del bio bio.

• el analisis porcentual nos muestra que un 2,4 % es el rango de horario inicial con menor frecuencia de disponibilidad en esta region.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la region del bío bío.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la region antes mencionada.

groupingperbiobio = dfa[dfa['Region']== 8 ]['contador'].value_counts()
grouping = pd.DataFrame(groupingperbiobio)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	42

• 42 transportistas disponibles de la muestra son indicados desde la region del bío bío.

groupingperbiobio = dfa[dfa['Region']== 8]['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingperbiobio)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
0	7
15	6
23	5
18	3
17	3
14	3
12	3
22	2
21	2
20	2
19	1
11	1
10	1
9	1
8	1
1	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la region del bío bío.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la region del bío bío es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.2, 0.4)
grafico = dfa[dfa['Region']== 8]['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e9154940>,
  <matplotlib.patches.Wedge at 0x299e91612b0>,
  <matplotlib.patches.Wedge at 0x299e9161bb0>,
  <matplotlib.patches.Wedge at 0x299e91704c0>,
  <matplotlib.patches.Wedge at 0x299e9170d90>,
  <matplotlib.patches.Wedge at 0x299e917e6a0>,
  <matplotlib.patches.Wedge at 0x299e917ef70>,
  <matplotlib.patches.Wedge at 0x299e918c880>,
  <matplotlib.patches.Wedge at 0x299e919a190>,
  <matplotlib.patches.Wedge at 0x299e919aa60>,
  <matplotlib.patches.Wedge at 0x299e91385b0>,
  <matplotlib.patches.Wedge at 0x299e91a8c10>,
  <matplotlib.patches.Wedge at 0x299e91b6520>,
  <matplotlib.patches.Wedge at 0x299e91b6df0>,
  <matplotlib.patches.Wedge at 0x299e91c2700>,
  <matplotlib.patches.Wedge at 0x299e91c2fd0>],
 [Text(-0.6000000162166297, 1.0392304751786507, '0'),
  Text(-1.1966445612152699, 0.08967605094959426, '15'),
  Text(-0.8796621870621624, -0.8162073490559941, '23'),
  Text(-0.2670250229482847, -1.1699135169402346, '18'),
  Text(0.2670252420186967, -1.16991346693884, '17'),
  Text(0.7481878783053089, -0.9381976863950372, '14'),
  Text(1.0811627163455122, -0.5206603314872313, '12'),
  Text(1.1966445706608508, -0.08967592490690025, '22'),
  Text(1.1699134513133957, 0.2670253104781995, '21'),
  Text(1.0392303838925483, 0.6000001743287636, '20'),
  Text(0.8796621058671332, 0.8162074365634023, '19'),
  Text(0.7481875983139793, 0.93819790968066, '11'),
  Text(0.5999998155358246, 1.0392305910417459, '10'),
  Text(0.43840902785007885, 1.117048577412616, '9'),
  Text(0.2892769821143851, 1.2674063387954133, '8'),
  Text(0.1120948623688017, 1.495805716605776, '1')],
 [Text(-0.3500000094597006, 0.6062177771875461, '16.7%'),
  Text(-0.6980426607089074, 0.05231102972059665, '14.3%'),
  Text(-0.5131362757862613, -0.4761209536159965, '11.9%'),
  Text(-0.1557645967198327, -0.6824495515484701, '7.1%'),
  Text(0.1557647245109064, -0.68244952238099, '7.1%'),
  Text(0.43644292901143017, -0.5472819837304383, '7.1%'),
  Text(0.6306782512015487, -0.3037185267008849, '7.1%'),
  Text(0.6980426662188297, -0.052310956195691816, '4.8%'),
  Text(0.6824495132661476, 0.15576476444561638, '4.8%'),
  Text(0.6062177239373199, 0.35000010169177875, '4.8%'),
  Text(0.5131362284224943, 0.4761210046619847, '2.4%'),
  Text(0.4364427656831546, 0.547282113980385, '2.4%'),
  Text(0.3499998923958977, 0.6062178447743518, '2.4%'),
  Text(0.25573859957921263, 0.6516116701573592, '2.4%'),
  Text(0.1780166043780831, 0.7799423623356389, '2.4%'),
  Text(0.0747299082458678, 0.9972038110705173, '2.4%')])

Analisis de la muestra en la region del bío bío

• En la region del bío bío el horario final con una mayor frecuencia de disponibilidad es a las 00 AM.

• Por lo tanto de la muestra podemos observar que a las 00 AM y 15 PM se registra la mayor frecuencia de disponibilidad final agrupado por horario en la region del bío bío.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la region del bío bío.

• El analisis porcentual nos muestra que un 2,4 % es el rango de horario inicial con menor frecuencia de disponibilidad en esta region.

Descripcion de la distribucion horaria de disponibilidad inicial en la region de valparaiso es la siguiente:

groupingpervalparaiso = dfa[dfa['Region']== 5]['contador'].value_counts()
grouping = pd.DataFrame(groupingpervalparaiso)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	41

• 41 transportistas disponibles de la muestra son indicados desde la region de valparaiso.

groupingpervalparaiso = dfa[dfa['Region']== 5]['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingpervalparaiso)
grouping = grouping.rename(columns={'hora_desde':'disponibilidad'})
grouping

	disponibilidad
8	7
9	6
14	5
10	3
21	3
15	3
22	3
12	2
3	1
7	1
23	1
11	1
16	1
18	1
19	1
20	1
2	1

• Podemos ver como se distribuye el horario de disponibilidad inicial indicado en la region de valparaiso.

La representacion visual y porcentual de la frecuencia de disponibilidad inicial agrupados por horario en la region de valparaiso es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.4, 0.6)
grafico = dfa[dfa['Region']== 5]['hora_desde'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e9212670>,
  <matplotlib.patches.Wedge at 0x299e9212e80>,
  <matplotlib.patches.Wedge at 0x299e9220790>,
  <matplotlib.patches.Wedge at 0x299e922e0a0>,
  <matplotlib.patches.Wedge at 0x299e922e970>,
  <matplotlib.patches.Wedge at 0x299e923c280>,
  <matplotlib.patches.Wedge at 0x299e923cb50>,
  <matplotlib.patches.Wedge at 0x299e924a460>,
  <matplotlib.patches.Wedge at 0x299e924ad30>,
  <matplotlib.patches.Wedge at 0x299e9259640>,
  <matplotlib.patches.Wedge at 0x299e91f4130>,
  <matplotlib.patches.Wedge at 0x299e92657f0>,
  <matplotlib.patches.Wedge at 0x299e9274100>,
  <matplotlib.patches.Wedge at 0x299e92749d0>,
  <matplotlib.patches.Wedge at 0x299e92832e0>,
  <matplotlib.patches.Wedge at 0x299e9283bb0>,
  <matplotlib.patches.Wedge at 0x299e92904c0>],
 [Text(-0.6132224188697443, 1.0314835262841282, '8'),
  Text(-1.1991194167886485, 0.04596329275032273, '9'),
  Text(-0.8321190167462257, -0.8646258971192655, '14'),
  Text(-0.1831791620510462, -1.1859365052945612, '10'),
  Text(0.3620646784722687, -1.1440756830746701, '21'),
  Text(0.832118956032134, -0.8646259555507176, '15'),
  Text(1.1293680295559225, -0.4056203321050034, '22'),
  Text(1.1991194210920373, 0.04596318048065929, '12'),
  Text(1.1571042237703992, 0.3179776962818339, '3'),
  Text(1.0950043876932742, 0.4908822577079739, '7'),
  Text(1.007238578759822, 0.6522809559215219, '23'),
  Text(0.8958639529916208, 0.7983907425128545, '11'),
  Text(0.7634910370258041, 0.9257869281758424, '16'),
  Text(0.6132225395878125, 1.031483454516588, '18'),
  Text(0.448580626634012, 1.1130028847261075, '19'),
  Text(0.34178045596633144, 1.4605430907437982, '20'),
  Text(0.13013396303136976, 1.6950118441078077, '2')],
 [Text(-0.3577130776740175, 0.6016987236657414, '17.1%'),
  Text(-0.6994863264600448, 0.026811920771021593, '14.6%'),
  Text(-0.48540275976863156, -0.5043651066529048, '12.2%'),
  Text(-0.1068545111964436, -0.6917962947551606, '7.3%'),
  Text(0.21120439577549008, -0.6673774817935575, '7.3%'),
  Text(0.48540272435207815, -0.5043651407379186, '7.3%'),
  Text(0.6587980172409547, -0.23661186039458532, '7.3%'),
  Text(0.699486328970355, 0.026811855280384586, '4.9%'),
  Text(0.6749774638660662, 0.18548698949773645, '2.4%'),
  Text(0.6387525594877432, 0.28634798366298475, '2.4%'),
  Text(0.587555837609896, 0.38049722428755445, '2.4%'),
  Text(0.5225873059117787, 0.46572793313249844, '2.4%'),
  Text(0.4453697715983857, 0.5400423747692413, '2.4%'),
  Text(0.3577131480928906, 0.6016986818013429, '2.4%'),
  Text(0.26167203220317364, 0.649251682756896, '2.4%'),
  Text(0.2278536373108876, 0.9736953938291988, '2.4%'),
  Text(0.09185926802214336, 1.1964789487819818, '2.4%')])

Analisis de la muestra en la region de valparaiso

• En la region de valparaiso el horario inicial con una mayor cantidad de disponibilidad es a las 08 AM.

• Por lo tanto de la muestra podemos observar que entre las 08 AM y 09 AM serian los horarios de mayor disponibilidad en la region.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad inicial en la region de valparaiso.

• De la muestra seleccionada a las 02 AM y 20 PM es el rango de horario inicial con menor frecuencia de disponibilidad en esta region.

• el analisis porcentual nos muestra que un 2,4 % es el rango de horario inicial con menor frecuencia de disponibilidad en esta region.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la region valparaiso.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la region antes mencionada.

groupingpervalparaiso = dfa[dfa['Region']== 5]['contador'].value_counts()
grouping = pd.DataFrame(groupingpervalparaiso)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	41

• 41 transportistas disponibles de la muestra son indicados desde la region de valparaiso.

groupingpervalparaiso = dfa[dfa['Region']== 5]['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingpervalparaiso)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
0	8
14	5
23	4
19	4
21	3
20	3
12	3
22	2
9	2
18	1
17	1
15	1
11	1
10	1
8	1
2	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la region de valparaiso.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la region de valparaiso es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.2, 0.4)
grafico = dfa[dfa['Region']== 5]['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e93e5130>,
  <matplotlib.patches.Wedge at 0x299e93e5760>,
  <matplotlib.patches.Wedge at 0x299e93e5f70>,
  <matplotlib.patches.Wedge at 0x299e93f57c0>,
  <matplotlib.patches.Wedge at 0x299e93f5fd0>,
  <matplotlib.patches.Wedge at 0x299e9404820>,
  <matplotlib.patches.Wedge at 0x299e9414070>,
  <matplotlib.patches.Wedge at 0x299e9414880>,
  <matplotlib.patches.Wedge at 0x299e94220d0>,
  <matplotlib.patches.Wedge at 0x299e94228e0>,
  <matplotlib.patches.Wedge at 0x299e93bfdf0>,
  <matplotlib.patches.Wedge at 0x299e9433910>,
  <matplotlib.patches.Wedge at 0x299e9441160>,
  <matplotlib.patches.Wedge at 0x299e9441970>,
  <matplotlib.patches.Wedge at 0x299e94501c0>,
  <matplotlib.patches.Wedge at 0x299e94509d0>],
 [Text(-0.6903823698486643, 0.9815152486854914, '0'),
  Text(-1.1991194189403442, -0.045963236615491246, '14'),
  Text(-0.8958638969285662, -0.7983908054204805, '23'),
  Text(-0.2734242827255162, -1.1684344917949132, '19'),
  Text(0.36206462491421976, -1.1440757000241397, '21'),
  Text(0.8321189155560714, -0.864625994505016, '20'),
  Text(1.1293680105674628, -0.4056203849745365, '12'),
  Text(1.1991194232437279, 0.04596312434582843, '22'),
  Text(1.129368115003959, 0.4056200941920954, '9'),
  Text(1.0072386092952956, 0.6522809087692808, '18'),
  Text(0.8958639903669875, 0.7983907005744358, '17'),
  Text(0.7634910803650169, 0.9257868924342468, '15'),
  Text(0.6132225878750368, 1.0314834258095682, '11'),
  Text(0.4485806787374363, 1.113002863726532, '10'),
  Text(0.2962097877607153, 1.2658039981113791, '8'),
  Text(0.11482415504170712, 1.4955986806021724, '2')],
 [Text(-0.4027230490783875, 0.5725505617332034, '19.5%'),
  Text(-0.6994863277152007, -0.026811888025703227, '12.2%'),
  Text(-0.5225872732083303, -0.46572796982861353, '9.8%'),
  Text(-0.1594974982565511, -0.681586786880366, '9.8%'),
  Text(0.21120436453329486, -0.6673774916807482, '7.3%'),
  Text(0.48540270074104164, -0.5043651634612593, '7.3%'),
  Text(0.6587980061643534, -0.23661189123514625, '7.3%'),
  Text(0.6994863302255078, 0.026811822535066584, '4.9%'),
  Text(0.6587980670856427, 0.23661172161205563, '4.9%'),
  Text(0.5875558554222557, 0.3804971967820804, '2.4%'),
  Text(0.522587327714076, 0.46572790866842084, '2.4%'),
  Text(0.4453697968795931, 0.5400423539199772, '2.4%'),
  Text(0.35771317626043814, 0.6016986650555813, '2.4%'),
  Text(0.26167206259683784, 0.6492516705071436, '2.4%'),
  Text(0.18228294631428632, 0.7789563065300794, '2.4%'),
  Text(0.07654943669447141, 0.9970657870681148, '2.4%')])

Analisis de la muestra en la region de valparaiso

• En la region de valpariaso el horario final con una mayor frecuencia de disponibilidad es a las 00 AM.

• Por lo tanto de la muestra podemos observar que a las 00 AM y 14 PM se registra la mayor frecuencia de disponibilidad final agrupado por horario en la region.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la region de valparaiso.

• De la muestra seleccionada, a las 02 AM y 08 AM es el rango de horario final con menor frecuencia de disponibilidad en esta region.

• el analisis porcentual nos muestra que un 2,4 % es el rango de horario final con menor frecuencia de disponibilidad en la region de valparaiso.

Descripcion de la distribucion horaria de disponibilidad inicial en la region de Antofagasta es la siguiente:

groupingperantofagasta = dfa[dfa['Region']== 2]['contador'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	39

• 39 transportistas disponibles de la muestra son indicados desde la region de antofagasta.

groupingperantofagasta = dfa[dfa['Region']== 2]['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'hora_desde':'disponibilidad'})
grouping

	disponibilidad
10	4
8	4
22	3
21	3
17	3
14	3
12	3
11	3
9	3
20	2
15	2
13	2
19	1
16	1
5	1
1	1

• Podemos ver como se distribuye el horario de disponibilidad inicial indicado en la region de antofagasta.

La representacion visual y porcentual de la frecuencia de disponibilidad inicial agrupados por horario en la region de antofagasta es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.2, 0.4)
grafico = dfa[dfa['Region']== 2]['hora_desde'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e949a3d0>,
  <matplotlib.patches.Wedge at 0x299e949ad00>,
  <matplotlib.patches.Wedge at 0x299e94a9520>,
  <matplotlib.patches.Wedge at 0x299e94a9d30>,
  <matplotlib.patches.Wedge at 0x299e94b9580>,
  <matplotlib.patches.Wedge at 0x299e94b9d90>,
  <matplotlib.patches.Wedge at 0x299e94c75e0>,
  <matplotlib.patches.Wedge at 0x299e94c7df0>,
  <matplotlib.patches.Wedge at 0x299e94d7640>,
  <matplotlib.patches.Wedge at 0x299e94d7e50>,
  <matplotlib.patches.Wedge at 0x299e94724c0>,
  <matplotlib.patches.Wedge at 0x299e94e6e80>,
  <matplotlib.patches.Wedge at 0x299e94f46d0>,
  <matplotlib.patches.Wedge at 0x299e94f4ee0>,
  <matplotlib.patches.Wedge at 0x299e9503730>,
  <matplotlib.patches.Wedge at 0x299e9503f40>],
 [Text(-0.3800015973437572, 1.138243728740112, '10'),
  Text(-0.9875806476639818, 0.6816776836303139, '8'),
  Text(-1.1990267990528731, 0.048319097187563456, '22'),
  Text(-1.0841404989939356, -0.5144311211825937, '21'),
  Text(-0.7208906577819498, -0.9593313606479816, '17'),
  Text(-0.1924934424823586, -1.1844603305308672, '14'),
  Text(0.3800017039138244, -1.1382436931617896, '12'),
  Text(0.8654430331010652, -0.8312691239645731, '11'),
  Text(1.1526217786410025, -0.33386080243486543, '9'),
  Text(1.191250627952743, 0.14464418896794873, '20'),
  Text(1.0841404448088476, 0.5144312353752195, '15'),
  Text(0.8654428093425667, 0.8312693569218379, '13'),
  Text(0.6413588326320071, 1.0142282030218392, '19'),
  Text(0.4703597567467585, 1.1039754069874612, '16'),
  Text(0.31111016073951087, 1.2622244126480189, '5'),
  Text(0.12069960967214854, 1.4951359818508116, '1')],
 [Text(-0.22166759845052503, 0.6639755084317318, '10.3%'),
  Text(-0.5760887111373226, 0.39764531545101645, '10.3%'),
  Text(-0.6994322994475093, 0.028186140026078683, '7.7%'),
  Text(-0.6324152910797958, -0.30008482068984627, '7.7%'),
  Text(-0.42051955037280403, -0.5596099603779893, '7.7%'),
  Text(-0.1122878414480425, -0.6909351928096724, '7.7%'),
  Text(0.22166766061639753, -0.6639754876777106, '7.7%'),
  Text(0.5048417693089546, -0.48490698897933426, '7.7%'),
  Text(0.6723627042072513, -0.1947521347536715, '7.7%'),
  Text(0.6948961996391, 0.08437577689797007, '5.1%'),
  Text(0.6324152594718276, 0.3000848873022114, '5.1%'),
  Text(0.5048416387831639, 0.48490712487107207, '5.1%'),
  Text(0.37412598570200406, 0.5916331184294062, '2.6%'),
  Text(0.2743765247689424, 0.6439856540760189, '2.6%'),
  Text(0.1914524066089297, 0.776753484706473, '2.6%'),
  Text(0.08046640644809902, 0.9967573212338745, '2.6%')])

Analisis de la muestra en la region de antofagasta

• En la region de antofagasta el horario inicial con una mayor cantidad de disponibilidad es a las 10 AM.

• Por lo tanto de la muestra podemos observar que a las 08 AM y 10 AM serian los horarios de mayor disponibilidad en la region.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad inicial en la region de antofagasta.

• De la muestra seleccionada, a las 01 AM y 05 AM es el rango de horario inicial con menor frecuencia de disponibilidad en esta region.

• El analisis porcentual nos muestra que un 2,6 % es el rango de horario inicial con menor frecuencia de disponibilidad en esta region.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la region de antofagasta.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la region antes mencionada

groupingperantofagasta = dfa[dfa['Region']== 2]['contador'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	39

• 39 transportistas disponibles de la muestra son indicados desde la region metropolitana.

groupingperantofagasta = dfa[dfa['Region']== 2]['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
0	7
22	5
21	4
15	4
20	3
17	3
12	3
13	2
23	1
14	1
11	1
10	1
8	1
5	1
2	1
1	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la region de antofagasta.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la region de antofagasta es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.2, 0.4)
grafico = dfa[dfa['Region']== 2]['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e907b7f0>,
  <matplotlib.patches.Wedge at 0x299e9075670>,
  <matplotlib.patches.Wedge at 0x299e91a8760>,
  <matplotlib.patches.Wedge at 0x299e9132d00>,
  <matplotlib.patches.Wedge at 0x299e91e8760>,
  <matplotlib.patches.Wedge at 0x299e923cf70>,
  <matplotlib.patches.Wedge at 0x299e91f1340>,
  <matplotlib.patches.Wedge at 0x299e912feb0>,
  <matplotlib.patches.Wedge at 0x299e9205c10>,
  <matplotlib.patches.Wedge at 0x299e905e2e0>,
  <matplotlib.patches.Wedge at 0x299e9146760>,
  <matplotlib.patches.Wedge at 0x299e92d3f10>,
  <matplotlib.patches.Wedge at 0x299e91e30a0>,
  <matplotlib.patches.Wedge at 0x299e92f4730>,
  <matplotlib.patches.Wedge at 0x299e92e9a00>,
  <matplotlib.patches.Wedge at 0x299e9514d90>],
 [Text(-0.6413590047449992, 1.014228094184195, '0'),
  Text(-1.1990268001838629, 0.048319069122316025, '22'),
  Text(-0.9295258963458459, -0.7589345215645761, '21'),
  Text(-0.28717869854687733, -1.1651302052135297, '15'),
  Text(0.3800017039138244, -1.1382436931617896, '20'),
  Text(0.8654430331010652, -0.8312691239645731, '17'),
  Text(1.1526217786410025, -0.33386080243486543, '12'),
  Text(1.191250627952743, 0.14464418896794873, '13'),
  Text(1.1220194282053721, 0.42552603061351024, '23'),
  Text(1.0392303944255614, 0.6000001560850565, '14'),
  Text(0.9295258386123736, 0.7589345922752262, '11'),
  Text(0.7957470512101518, 0.8982130206640007, '10'),
  Text(0.6413588326320071, 1.0142282030218392, '8'),
  Text(0.4703597567467585, 1.1039754069874612, '5'),
  Text(0.31111016073951087, 1.2622244126480189, '2'),
  Text(0.12069960967214854, 1.4951359818508116, '1')],
 [Text(-0.37412608610124953, 0.5916330549407804, '17.9%'),
  Text(-0.6994323001072532, 0.028186123654684345, '12.8%'),
  Text(-0.5422234395350767, -0.44271180424600265, '10.3%'),
  Text(-0.1675209074856784, -0.679659286374559, '10.3%'),
  Text(0.22166766061639753, -0.6639754876777106, '7.7%'),
  Text(0.5048417693089546, -0.48490698897933426, '7.7%'),
  Text(0.6723627042072513, -0.1947521347536715, '7.7%'),
  Text(0.6948961996391, 0.08437577689797007, '5.1%'),
  Text(0.6545113331198003, 0.24822351785788094, '2.6%'),
  Text(0.6062177300815774, 0.35000009104961627, '2.6%'),
  Text(0.5422234058572178, 0.4427118454938819, '2.6%'),
  Text(0.46418577987258847, 0.5239575953873337, '2.6%'),
  Text(0.37412598570200406, 0.5916331184294062, '2.6%'),
  Text(0.2743765247689424, 0.6439856540760189, '2.6%'),
  Text(0.1914524066089297, 0.776753484706473, '2.6%'),
  Text(0.08046640644809902, 0.9967573212338745, '2.6%')])

Analisis de la muestra en la region de antofagasta

• En la region de antofagasta el horario final con una mayor frecuencia de disponibilidad es a las 00 AM.

• Por lo tanto de la muestra podemos observar que a las 22 PM y 00 AM se registra la mayor frecuencia de disponibilidad final agrupado por horario en la region de antofagasta.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la region de antofagasta.

• Entre las 01 AM y 02 AM es el rango de horario final con menor frecuencia de disponibilidad en esta region.

• el analisis porcentual nos muestra que un 2,6 % es el rango de horario final con menor frecuencia de disponibilidad en esta region.

Descripcion horaria de disponibilidad en comunas seleccionadas para el analisis.

Descripcion de la distribucion horaria de disponibilidad inicial en la comuna de Santiago es la siguiente:

groupingpersantiago = dfa[dfa['Comuna']== 'Santiago']['contador'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'contador':'requerimientos'})
grouping

	requerimientos
1	61

• 61 transportistas disponibles de la muestra son indicados desde la comuna de Santiago.

groupingpersantiago = dfa[dfa['Comuna']== 'Santiago']['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'hora_desde':'requerimientos'})
grouping

	requerimientos
13	7
15	6
14	6
10	5
19	4
17	4
12	4
11	4
6	3
8	3
22	3
9	2
23	2
16	2
18	2
7	1
20	1
5	1
0	1

• Podemos ver como se distribuye el horario de disponibilidad inicial indicado en la comuna de Santiago.

La representacion visual y porcentual de la frecuencia de disponibilidad inicial agrupados por horario en la comuna de Santiago es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.4, 0.6, 0.8, 1)
grafico = dfa[dfa['Comuna']== 'Santiago']['hora_desde'].value_counts()
plt.figure(figsize=(7,7))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e7dbe9d0>,
  <matplotlib.patches.Wedge at 0x299e7dd6310>,
  <matplotlib.patches.Wedge at 0x299e7dd6a90>,
  <matplotlib.patches.Wedge at 0x299e7df6970>,
  <matplotlib.patches.Wedge at 0x299e7df6b80>,
  <matplotlib.patches.Wedge at 0x299e7ee9880>,
  <matplotlib.patches.Wedge at 0x299e7dd9910>,
  <matplotlib.patches.Wedge at 0x299e7dd9c40>,
  <matplotlib.patches.Wedge at 0x299e9527e80>,
  <matplotlib.patches.Wedge at 0x299e9585790>,
  <matplotlib.patches.Wedge at 0x299e7e0de20>,
  <matplotlib.patches.Wedge at 0x299e9594940>,
  <matplotlib.patches.Wedge at 0x299e95a1250>,
  <matplotlib.patches.Wedge at 0x299e95a1b20>,
  <matplotlib.patches.Wedge at 0x299e95b0430>,
  <matplotlib.patches.Wedge at 0x299e95b0d00>,
  <matplotlib.patches.Wedge at 0x299e95be610>,
  <matplotlib.patches.Wedge at 0x299e95beee0>,
  <matplotlib.patches.Wedge at 0x299e95cb7f0>],
 [Text(-0.42330249438000117, 1.1228601864220091, '13'),
  Text(-1.0287775470544445, 0.6177513728650389, '15'),
  Text(-1.1964210315960875, -0.09261055638832026, '14'),
  Text(-0.9598070900947968, -0.7202571414458581, '10'),
  Text(-0.5365125614671379, -1.073384493733709, '19'),
  Text(-0.06177454435172652, -1.1984089058706702, '17'),
  Text(0.4233024418151214, -1.122860206238228, '12'),
  Text(0.837532918448763, -0.8593826915377676, '11'),
  Text(1.086842671582403, -0.5086973631026849, '6'),
  Text(1.1900671965476481, -0.15407812207195964, '8'),
  Text(1.1805575579032115, 0.21513682269106196, '22'),
  Text(1.0868427549308366, 0.5086971850269565, '9'),
  Text(0.9598071575301335, 0.7202570515822291, '23'),
  Text(0.7921826350764495, 0.9013582377075904, '16'),
  Text(0.5910577981573765, 1.0443422232378399, '18'),
  Text(0.5291282986667692, 1.4035751649092436, '7'),
  Text(0.43294111163090065, 1.6439470775726939, '20'),
  Text(0.29239234318692875, 1.8773669640338453, '5'),
  Text(0.1081056735154525, 2.0972155738869027, '0')],
 [Text(-0.2469264550550007, 0.6550017754128387, '11.5%'),
  Text(-0.6001202357817592, 0.36035496750460594, '9.8%'),
  Text(-0.6979122684310509, -0.05402282455985349, '9.8%'),
  Text(-0.5598874692219649, -0.4201499991767505, '8.2%'),
  Text(-0.31296566085583044, -0.6261409546779969, '6.6%'),
  Text(-0.03603515087184046, -0.6990718617578908, '6.6%'),
  Text(0.24692642439215415, -0.6550017869722996, '6.6%'),
  Text(0.4885608690951117, -0.5013065700636977, '6.6%'),
  Text(0.6339915584230684, -0.2967401284765661, '4.9%'),
  Text(0.6942058646527947, -0.08987890454197646, '4.9%'),
  Text(0.68865857544354, 0.12549647990311946, '4.9%'),
  Text(0.6339916070429881, 0.29674002459905796, '3.3%'),
  Text(0.5598875085592444, 0.4201499467563003, '3.3%'),
  Text(0.4621065371279289, 0.5257923053294276, '3.3%'),
  Text(0.3447837155918029, 0.6091996302220731, '3.3%'),
  Text(0.3527521991111795, 0.9357167766061624, '1.6%'),
  Text(0.30560549056298864, 1.1604332312277836, '1.6%'),
  Text(0.21544698971668436, 1.3833230261302019, '1.6%'),
  Text(0.08236622744034476, 1.5978785324852591, '1.6%')])

Analisis de la muestra en la comuna de Santiago

• En la comuna de el horario inicial con una mayor cantidad de disponibilidad es a las 13 PM.

• Por lo tanto de la muestra podemos observar que a las 13 AM y 15 PM serian los horarios de mayor disponibilidad en la comuna.

• Entre las 13 AM y 15 PM es el horario inicial con mayor frecuencia de disponibilidad en esta comuna.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad inicial en la comuna de Santiago.

• Entre las 00 AM y 05 AM es el rango de horario inicial con menor frecuencia de disponibilidad en esta comuna.

• el analisis porcentual nos muestra que un 1,6 % es el rango de horario inicial con menor frecuencia de disponibilidad en esta comuna.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la comuna de Santiago.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la comuna antes mencionada.

groupingpersantiago = dfa[dfa['Comuna']== 'Santiago']['contador'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	61

• 61 transportistas disponibles de la muestra son indicados desde la comuna de Santiago.

groupingpersantiago = dfa[dfa['Comuna']== 'Santiago']['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingpersantiago)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
0	14
23	8
15	6
19	5
22	5
18	3
16	3
14	3
21	2
17	2
13	2
12	2
10	2
20	1
11	1
9	1
8	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la comuna de Santiago.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la comuna de Santiago es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.2, 0.4,0.6, 0.8, 1)
grafico = dfa[dfa['Comuna']== 'Santiago']['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e96db460>,
  <matplotlib.patches.Wedge at 0x299e96dbdc0>,
  <matplotlib.patches.Wedge at 0x299e96e96d0>,
  <matplotlib.patches.Wedge at 0x299e96e9fa0>,
  <matplotlib.patches.Wedge at 0x299e96f88b0>,
  <matplotlib.patches.Wedge at 0x299e97041c0>,
  <matplotlib.patches.Wedge at 0x299e9704a90>,
  <matplotlib.patches.Wedge at 0x299e97123a0>,
  <matplotlib.patches.Wedge at 0x299e9712c70>,
  <matplotlib.patches.Wedge at 0x299e9720580>,
  <matplotlib.patches.Wedge at 0x299e96bb130>,
  <matplotlib.patches.Wedge at 0x299e972e730>,
  <matplotlib.patches.Wedge at 0x299e972efa0>,
  <matplotlib.patches.Wedge at 0x299e973d910>,
  <matplotlib.patches.Wedge at 0x299e9749220>,
  <matplotlib.patches.Wedge at 0x299e9749af0>,
  <matplotlib.patches.Wedge at 0x299e9758400>],
 [Text(-0.7921825295873827, 0.9013583304194486, '0'),
  Text(-1.1521798674523074, -0.335382696389637, '23'),
  Text(-0.6440355073866116, -1.0125306243394665, '15'),
  Text(-8.426408179945824e-08, -1.199999999999997, '19'),
  Text(0.5910576026006146, -1.0443423339154716, '22'),
  Text(0.9598070395182892, -0.7202572088435754, '18'),
  Text(1.1333870473099101, -0.39425093657482146, '16'),
  Text(1.1996021590728105, -0.0308975718763018, '14'),
  Text(1.1679172665257407, 0.2756252139247107, '21'),
  Text(1.0868427549308366, 0.5086971850269565, '17'),
  Text(0.9598071575301335, 0.7202570515822291, '13'),
  Text(0.7921826350764495, 0.9013582377075904, '12'),
  Text(0.6403126146704912, 1.1313707418409933, '10'),
  Text(0.5291282986667692, 1.4035751649092436, '20'),
  Text(0.43294111163090065, 1.6439470775726939, '11'),
  Text(0.29239234318692875, 1.8773669640338453, '9'),
  Text(0.1081056735154525, 2.0972155738869027, '8')],
 [Text(-0.4621064755926399, 0.525792359411345, '23.0%'),
  Text(-0.6721049226805127, -0.19563990622728825, '13.1%'),
  Text(-0.37568737930885676, -0.5906428641980221, '9.8%'),
  Text(-4.915404771635063e-08, -0.6999999999999983, '8.2%'),
  Text(0.3447836015170251, -0.609199694784025, '8.2%'),
  Text(0.5598874397190019, -0.42015003849208554, '4.9%'),
  Text(0.6611424442641142, -0.22997971300197917, '4.9%'),
  Text(0.6997679261258062, -0.018023583594509382, '4.9%'),
  Text(0.6812850721400152, 0.16078137478941457, '3.3%'),
  Text(0.6339916070429881, 0.29674002459905796, '3.3%'),
  Text(0.5598875085592444, 0.4201499467563003, '3.3%'),
  Text(0.4621065371279289, 0.5257923053294276, '3.3%'),
  Text(0.39403853210491757, 0.6962281488252264, '3.3%'),
  Text(0.3527521991111795, 0.9357167766061624, '1.6%'),
  Text(0.30560549056298864, 1.1604332312277836, '1.6%'),
  Text(0.21544698971668436, 1.3833230261302019, '1.6%'),
  Text(0.08236622744034476, 1.5978785324852591, '1.6%')])

Analisis de la muestra en la comuna de Santiago

• En la comuna de Santiago el horario final con una mayor frecuencia de disponibilidad es a las 00 AM.

• Por lo tanto de la muestra podemos observar que entre las 23 PM y 00 AM se registra la mayor frecuencia de disponibilidad final agrupado por horario en la comuna de Santiago.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la comuna de Santiago.

• Entre las 08 AM y 09 AM es el rango de horario final con menor frecuencia de disponibilidad en esta comuna.

• el analisis porcentual nos muestra que un 1,6 % es el rango de horario final con menor frecuencia de disponibilidad en esta comuna.

Descripcion de la distribucion horaria de disponibilidad inicial en la comuna de Puerto Montt de es la siguiente:

groupingperptomontt = dfa[dfa['Comuna']== 'Puerto Montt']['contador'].value_counts()
grouping = pd.DataFrame(groupingperptomontt)
grouping = grouping.rename(columns={'contador':'requerimientos'})
grouping

	requerimientos
1	26

• 26 transportistas disponibles de la muestra son indicados desde la comuna de Puerto Montt.

groupingperptomontt = dfa[dfa['Comuna']== 'Puerto Montt']['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingperptomontt)
grouping = grouping.rename(columns={'hora_desde':'requerimientos'})
grouping

	requerimientos
0	4
17	3
14	3
21	2
16	2
13	2
11	2
10	2
18	1
12	1
9	1
8	1
6	1
5	1

• Podemos ver como se distribuye el horario de disponibilidad inicial indicado en la comuna de Puerto Montt.

La representacion visual y porcentual de la frecuencia de disponibilidad inicial agrupados por horario en la comuna de Puerto Montt es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Puerto Montt']['hora_desde'].value_counts()
plt.figure(figsize=(7,7))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e979ba30>,
  <matplotlib.patches.Wedge at 0x299e97aa2b0>,
  <matplotlib.patches.Wedge at 0x299e97aab80>,
  <matplotlib.patches.Wedge at 0x299e97b7490>,
  <matplotlib.patches.Wedge at 0x299e97b7d60>,
  <matplotlib.patches.Wedge at 0x299e97c5670>,
  <matplotlib.patches.Wedge at 0x299e97c5f40>,
  <matplotlib.patches.Wedge at 0x299e97d2850>,
  <matplotlib.patches.Wedge at 0x299e97e1160>,
  <matplotlib.patches.Wedge at 0x299e97e1a30>,
  <matplotlib.patches.Wedge at 0x299e97815b0>,
  <matplotlib.patches.Wedge at 0x299e97efbe0>,
  <matplotlib.patches.Wedge at 0x299e97fc4f0>,
  <matplotlib.patches.Wedge at 0x299e97fcdc0>],
 [Text(-0.5576678255838395, 1.0625472207429618, '0'),
  Text(-1.1651301917697234, 0.2871787530905583, '17'),
  Text(-1.062547207689804, -0.5576678504545521, '14'),
  Text(-0.5576677509717004, -1.0625472599024317, '21'),
  Text(8.426408135858538e-08, -1.199999999999997, '16'),
  Text(0.5576679001959761, -1.0625471815834868, '13'),
  Text(0.9875807114872482, -0.6816775911663377, '11'),
  Text(1.191250666887578, -0.14464386831076181, '10'),
  Text(1.1651301413554267, 0.2871789576293561, '18'),
  Text(1.0625471489505869, 0.5576679623727542, '12'),
  Text(0.8982127738720551, 0.7957473297806713, '9'),
  Text(0.6816775333763497, 0.9875807513767854, '8'),
  Text(0.4255256695005377, 1.1220195651574527, '6'),
  Text(0.1446437986026753, 1.1912506753516612, '5')],
 [Text(-0.32530623159057304, 0.6198192121000611, '15.4%'),
  Text(-0.6796592785323385, 0.16752093930282563, '11.5%'),
  Text(-0.6198192044857189, -0.3253062460984887, '11.5%'),
  Text(-0.32530618806682515, -0.6198192349430851, '7.7%'),
  Text(4.9154047459174803e-08, -0.6999999999999983, '7.7%'),
  Text(0.32530627511431937, -0.6198191892570338, '7.7%'),
  Text(0.5760887483675614, -0.39764526151369695, '7.7%'),
  Text(0.6948962223510872, -0.0843755898479444, '7.7%'),
  Text(0.6796592491239988, 0.16752105861712435, '3.8%'),
  Text(0.6198191702211756, 0.32530631138410654, '3.8%'),
  Text(0.5239574514253655, 0.46418594237205824, '3.8%'),
  Text(0.3976452278028706, 0.5760887716364581, '3.8%'),
  Text(0.24822330720864696, 0.654511413008514, '3.8%'),
  Text(0.0843755491848939, 0.6948962272884689, '3.8%')])

Analisis de la muestra en la comuna de Puerto Montt

• En la comuna de puerto montt el horario inicial con una mayor cantidad de disponibilidad es a las 00 AM.

• Por lo tanto de la muestra podemos observar que a las 00 AM, 17 PM y 14 PM serian los horarios de mayor disponibilidad en la comuna.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad inicial en la comuna de puerto montt.

• Entre las 05 AM y 09 AM es el rango de horario inicial con menor frecuencia de disponibilidad en esta comuna.

• el analisis porcentual nos muestra que un 3,8 % es el rango de horario inicial con menor frecuencia de disponibilidad en esta comuna.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la comuna de Puerto Montt.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la comuna antes mencionada.

groupingperptomontt = dfa[dfa['Comuna']== 'Puerto Montt']['contador'].value_counts()
grouping = pd.DataFrame(groupingperptomontt)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	26

• 26 transportistas disponibles de la muestra son indicados desde la comuna de puerto montt.

groupingperptomontt = dfa[dfa['Comuna']== 'Puerto Montt']['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingperptomontt)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
17	5
14	4
0	4
19	3
13	2
11	2
16	2
10	1
6	1
21	1
18	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la comuna de puerto montt.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la comuna de puerto montt es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1)
grafico = dfa[dfa['Comuna']== 'Puerto Montt']['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e9847e50>,
  <matplotlib.patches.Wedge at 0x299e98517c0>,
  <matplotlib.patches.Wedge at 0x299e9861100>,
  <matplotlib.patches.Wedge at 0x299e98619d0>,
  <matplotlib.patches.Wedge at 0x299e986f2e0>,
  <matplotlib.patches.Wedge at 0x299e986fbb0>,
  <matplotlib.patches.Wedge at 0x299e987d4c0>,
  <matplotlib.patches.Wedge at 0x299e987dd90>,
  <matplotlib.patches.Wedge at 0x299e988b6a0>,
  <matplotlib.patches.Wedge at 0x299e988bf70>,
  <matplotlib.patches.Wedge at 0x299e982aa90>],
 [Text(-0.6816777067463067, 0.9875806317081641, '17'),
  Text(-1.1912506431881233, -0.14464406349339845, '14'),
  Text(-0.5576677261009869, -1.0625472729555872, '0'),
  Text(0.4255259715222993, -1.1220194506157206, '19'),
  Text(0.9875807114872482, -0.6816775911663377, '13'),
  Text(1.191250666887578, -0.14464386831076181, '11'),
  Text(1.122019430695411, 0.42552602404782053, '16'),
  Text(0.8982127738720551, 0.7957473297806713, '10'),
  Text(0.6816775333763497, 0.9875807513767854, '6'),
  Text(0.4255256695005377, 1.1220195651574527, '21'),
  Text(0.1446437986026753, 1.1912506753516612, '18')],
 [Text(-0.3976453289353455, 0.5760887018297622, '19.2%'),
  Text(-0.6948962085264053, -0.08437570370448243, '15.4%'),
  Text(-0.325306173558909, -0.6198192425574257, '15.4%'),
  Text(0.2482234833880079, -0.6545113461925036, '11.5%'),
  Text(0.5760887483675614, -0.39764526151369695, '7.7%'),
  Text(0.6948962223510872, -0.0843755898479444, '7.7%'),
  Text(0.6545113345723229, 0.24822351402789528, '7.7%'),
  Text(0.5239574514253655, 0.46418594237205824, '3.8%'),
  Text(0.3976452278028706, 0.5760887716364581, '3.8%'),
  Text(0.24822330720864696, 0.654511413008514, '3.8%'),
  Text(0.0843755491848939, 0.6948962272884689, '3.8%')])

Analisis de la muestra en la comuna de puerto montt.

• En la comuna de puerto montt el horario final con una mayor frecuencia de disponibilidad es a las 17 PM.

• Por lo tanto de la muestra podemos observar que entre a las 17 PM, 14 PM y 00 AM se registran la mayor frecuencia de disponibilidad final agrupado por horario en la comuna de puerto montt.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la comuna de puerto montt.

• De la muestra seleccionada, a las 18 PM y 21 PM es el rango de horario final con menor frecuencia de disponibilidad en esta comuna.

• el analisis porcentual nos muestra que un 3,8 % es el rango de horario final con menor frecuencia de disponibilidad en esta comuna.

Descripcion de la distribucion horaria de disponibilidad inicial en la comuna de Puente Alto es la siguiente:

groupingperptealto = dfa[dfa['Comuna']== 'Puente Alto']['contador'].value_counts()
grouping = pd.DataFrame(groupingperptealto)
grouping = grouping.rename(columns={'contador':'requerimientos'})
grouping

	requerimientos
1	17

• 17 transportistas disponibles de la muestra son indicados desde la comuna de Puente Alto.

groupingperptealto = dfa[dfa['Comuna']== 'Puente Alto']['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingperptealto)
grouping = grouping.rename(columns={'hora_desde':'requerimientos'})
grouping

	requerimientos
15	4
9	2
21	1
18	1
16	1
14	1
12	1
11	1
10	1
8	1
7	1
4	1
1	1

• Podemos ver como se distribuye el horario de disponibilidad inicial indicado en la comuna de Puente Alto.

La representacion visual y porcentual de la frecuencia de disponibilidad inicial agrupados por horario en la comuna de Puente Alto es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1)
grafico = dfa[dfa['Comuna']== 'Puente Alto']['hora_desde'].value_counts()
plt.figure(figsize=(7,7))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e98e3640>,
  <matplotlib.patches.Wedge at 0x299e98e3f70>,
  <matplotlib.patches.Wedge at 0x299e98f08b0>,
  <matplotlib.patches.Wedge at 0x299e98fe1c0>,
  <matplotlib.patches.Wedge at 0x299e98fea90>,
  <matplotlib.patches.Wedge at 0x299e990c3a0>,
  <matplotlib.patches.Wedge at 0x299e990cc70>,
  <matplotlib.patches.Wedge at 0x299e9919580>,
  <matplotlib.patches.Wedge at 0x299e9919e50>,
  <matplotlib.patches.Wedge at 0x299e9927760>,
  <matplotlib.patches.Wedge at 0x299e98c4250>,
  <matplotlib.patches.Wedge at 0x299e9937940>,
  <matplotlib.patches.Wedge at 0x299e9944250>],
 [Text(-0.808434774817904, 0.8868106984385815, '15'),
  Text(-1.1541907695466027, -0.32839559603231827, '9'),
  Text(-0.8084347644392532, -0.886810707899972, '21'),
  Text(-0.4334899878695964, -1.1189666797616529, '18'),
  Text(1.404401373133859e-08, -1.2, '16'),
  Text(0.43349001406090104, -1.1189666696150873, '14'),
  Text(0.8084347851965551, -0.8868106889771908, '12'),
  Text(1.0741959580954263, -0.5348860099230949, '11'),
  Text(1.1948810134596564, -0.1107220107911033, '10'),
  Text(1.1541907657032757, 0.32839560954021035, '8'),
  Text(0.9576206582987077, 0.7231615827735527, '7'),
  Text(0.6317185736790452, 1.0202605763572916, '4'),
  Text(0.22049939458216194, 1.1795677246300444, '1')],
 [Text(-0.4715869519771107, 0.5173062407558392, '23.5%'),
  Text(-0.6732779489021847, -0.191564097685519, '11.8%'),
  Text(-0.4715869459228976, -0.5173062462749836, '5.9%'),
  Text(-0.2528691595905979, -0.6527305631942975, '5.9%'),
  Text(8.192341343280845e-09, -0.6999999999999998, '5.9%'),
  Text(0.2528691748688589, -0.6527305572754676, '5.9%'),
  Text(0.4715869580313238, -0.5173062352366946, '5.9%'),
  Text(0.6266143088889987, -0.3120168391218053, '5.9%'),
  Text(0.6970139245181327, -0.0645878396281436, '5.9%'),
  Text(0.6732779466602441, 0.1915641055651227, '5.9%'),
  Text(0.5586120506742461, 0.4218442566179057, '5.9%'),
  Text(0.36850250131277634, 0.5951520028750867, '5.9%'),
  Text(0.12862464683959446, 0.6880811727008591, '5.9%')])

Analisis de la muestra en la comuna de Puente Alto

• En la comuna de Puente Alto el horario inicial con una mayor cantidad de disponibilidad es a las 15 PM.

• Por lo tanto de la muestra podemos observar que a las 09 AM y 15 PM serian los horarios de mayor disponibilidad en la comuna.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad inicial en la comuna de Puente Alto.

• Entre las 01 AM y 04 AM es el rango de horario inicial con menor frecuencia de disponibilidad en esta comuna.

• la descripcion nos muestra que un 5,9 % es el porcentual de horario inicial con menor frecuencia de disponibilidad en esta comuna.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la comuna de Puente Alto.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la comuna antes mencionada.

groupingperptealto = dfa[dfa['Comuna']== 'Puente Alto']['contador'].value_counts()
grouping = pd.DataFrame(groupingperptealto)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	17

• 17 transportistas disponibles de la muestra son indicados desde la comuna de Puente Alto.

groupingperptealto = dfa[dfa['Comuna']== 'Puente Alto']['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingperptealto)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
0	3
15	2
9	2
20	2
18	2
14	1
11	1
10	1
7	1
21	1
1	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la comuna de Puente Alto.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la comuna de Puente Alto es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1)
grafico = dfa[dfa['Comuna']== 'Puente Alto']['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e997fc70>,
  <matplotlib.patches.Wedge at 0x299e998c5e0>,
  <matplotlib.patches.Wedge at 0x299e998cdc0>,
  <matplotlib.patches.Wedge at 0x299e999a610>,
  <matplotlib.patches.Wedge at 0x299e999ae20>,
  <matplotlib.patches.Wedge at 0x299e99a9670>,
  <matplotlib.patches.Wedge at 0x299e99a9e80>,
  <matplotlib.patches.Wedge at 0x299e99b96d0>,
  <matplotlib.patches.Wedge at 0x299e99b9ee0>,
  <matplotlib.patches.Wedge at 0x299e99c8730>,
  <matplotlib.patches.Wedge at 0x299e9964ee0>],
 [Text(-0.6317186095004279, 1.0202605541776308, '0'),
  Text(-1.1948810147554738, 0.110721996806999, '15'),
  Text(-0.9576206498352982, -0.7231615939809176, '9'),
  Text(-0.22049938077727382, -1.1795677272106246, '20'),
  Text(0.6317186333813491, -1.0202605393911894, '18'),
  Text(1.0741959706153366, -0.5348859847797239, '14'),
  Text(1.1948810160512915, -0.11072198282289496, '11'),
  Text(1.1541907580166215, 0.3283956365559946, '10'),
  Text(0.9576206413718885, 0.7231616051882822, '7'),
  Text(0.6317185497981229, 1.0202605911437317, '21'),
  Text(0.22049936697238698, 1.1795677297912048, '1')],
 [Text(-0.36850252220858287, 0.5951519899369512, '17.6%'),
  Text(-0.6970139252740264, 0.06458783147074941, '11.8%'),
  Text(-0.5586120457372572, -0.42184426315553525, '11.8%'),
  Text(-0.12862463878674305, -0.6880811742061977, '11.8%'),
  Text(0.36850253613912026, -0.5951519813115271, '11.8%'),
  Text(0.6266143161922796, -0.31201682445483897, '5.9%'),
  Text(0.69701392602992, -0.06458782331335539, '5.9%'),
  Text(0.6732779421763624, 0.19156412132433015, '5.9%'),
  Text(0.5586120408002683, 0.42184426969316463, '5.9%'),
  Text(0.36850248738223834, 0.59515201150051, '5.9%'),
  Text(0.12862463073389238, 0.688081175711536, '5.9%')])

Analisis de la muestra en la comuna de Puente Alto

• En la comuna de Puente Alto el horario final con una mayor frecuencia de disponibilidad es a las 00 AM.

• Por lo tanto de la muestra podemos observar que entre las 15 PM y 00 AM se registra la mayor frecuencia de disponibilidad final agrupado por horario en la comuna de Puente Alto.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la comuna de Puente Alto.

• La muestra seleccionada nos muestra que a las 01 AM y 21 PM es el rango de horario final con menor frecuencia de disponibilidad en esta comuna.

• la descripcion nos muestra que un 5,9 % es el porcentual de horario final con menor frecuencia de disponibilidad en esta comuna.

Descripcion de la distribucion horaria de disponibilidad inicial en la comuna de Antofagasta es la siguiente:

groupingperantofagasta = dfa[dfa['Comuna']== 'Antofagasta']['contador'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'contador':'requerimientos'})
grouping

	requerimientos
1	23

• 23 transportistas disponibles de la muestra son indicados desde la comuna de Antofagasta.

groupingperantofagasta = dfa[dfa['Comuna']== 'Antofagasta']['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'hora_desde':'requerimientos'})
grouping

	requerimientos
10	3
21	2
17	2
15	2
14	2
12	2
9	2
8	2
22	1
20	1
13	1
11	1
5	1
1	1

• Podemos ver como se distribuye el horario de disponibilidad inicial indicado en la comuna de Antofagasta.

La representacion visual y porcentual de la frecuencia de disponibilidad inicial agrupados por horario en la comuna de Antofagasta es la siguiente:

desfase = (0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Antofagasta']['hora_desde'].value_counts()
plt.figure(figsize=(7,7))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e9a139a0>,
  <matplotlib.patches.Wedge at 0x299e9a222e0>,
  <matplotlib.patches.Wedge at 0x299e9a22af0>,
  <matplotlib.patches.Wedge at 0x299e9a30340>,
  <matplotlib.patches.Wedge at 0x299e9a30b50>,
  <matplotlib.patches.Wedge at 0x299e9a413a0>,
  <matplotlib.patches.Wedge at 0x299e9a41bb0>,
  <matplotlib.patches.Wedge at 0x299e9a51400>,
  <matplotlib.patches.Wedge at 0x299e9a51c10>,
  <matplotlib.patches.Wedge at 0x299e9a5f460>,
  <matplotlib.patches.Wedge at 0x299e99e6b80>,
  <matplotlib.patches.Wedge at 0x299e9a6f490>,
  <matplotlib.patches.Wedge at 0x299e9a6fca0>,
  <matplotlib.patches.Wedge at 0x299e9a7d4f0>],
 [Text(-0.4780813033350278, 1.100653563752683, '10'),
  Text(-1.0654622603973305, 0.5520780485302883, '21'),
  Text(-1.197202522445275, -0.08189090456620655, '17'),
  Text(-0.9803638596402342, -0.6920164034987201, '15'),
  Text(-0.47808127757237245, -1.1006535749429829, '14'),
  Text(0.1634000236797263, -1.1888231290908942, '12'),
  Text(0.7573055777149753, -0.9308535126225757, '9'),
  Text(1.130713129853371, -0.40185546901491054, '8'),
  Text(1.1972025176532852, 0.08189097462257519, '22'),
  Text(1.1307130781197785, 0.40185561457928654, '20'),
  Text(0.9803638191457004, 0.6920164608663992, '13'),
  Text(0.7573054578798752, 0.9308536101156576, '11'),
  Text(0.47808121316573043, 1.100653602918731, '5'),
  Text(0.16339987063445083, 1.188823150126479, '1')],
 [Text(-0.2788807602787662, 0.642047912189065, '13.0%'),
  Text(-0.6215196518984427, 0.3220455283093348, '8.7%'),
  Text(-0.6983681380930769, -0.047769694330287146, '8.7%'),
  Text(-0.5718789181234699, -0.40367623537425334, '8.7%'),
  Text(-0.27888074525055057, -0.6420479187167399, '8.7%'),
  Text(0.09531668047984035, -0.6934801586363549, '8.7%'),
  Text(0.4417615870004022, -0.542997882363169, '8.7%'),
  Text(0.6595826590811331, -0.2344156902586978, '8.7%'),
  Text(0.6983681352977498, 0.04776973519650219, '4.3%'),
  Text(0.6595826289032041, 0.23441577517125048, '4.3%'),
  Text(0.5718788945016585, 0.4036762688387328, '4.3%'),
  Text(0.4417615170965939, 0.5429979392341335, '4.3%'),
  Text(0.2788807076800094, 0.6420479350359263, '4.3%'),
  Text(0.09531659120342964, 0.6934801709071127, '4.3%')])

Analisis de la muestra en la comuna de Antofagasta

• En la comuna de Antofagasta el horario inicial con una mayor cantidad de disponibilidad es a las 10 AM.

• Por lo tanto de la muestra podemos observar que a las 10 AM y 21 PM serian los horarios de mayor disponibilidad en la comuna.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad inicial en la comuna de Antofagasta.

• La muestra seleccionada nos muestra que a las 01 AM y 05 AM es el rango de horario inicial con menor frecuencia de disponibilidad en esta comuna.

• la descripcion nos muestra que un 4,3 % es el porcentual de horario inicial con menor frecuencia de disponibilidad en esta comuna.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la comuna de Antofagasta.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la comuna antes mencionada.

groupingperantofagasta = dfa[dfa['Comuna']== 'Antofagasta']['contador'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	23

• 23 transportistas disponibles de la muestra son indicados desde la comuna de Antofagasta

groupingperantofagasta = dfa[dfa['Comuna']== 'Antofagasta']['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingperantofagasta)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
15	3
0	3
22	2
21	2
17	2
13	2
12	2
23	1
20	1
10	1
8	1
5	1
2	1
1	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la comuna de Antofagasta.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la comuna de Antofagasta es la siguiente:

desfase = (0.1,0.1,0.1,0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1,0.1, 0.1)
grafico = dfa[dfa['Comuna']== 'Antofagasta']['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e9ab5f10>,
  <matplotlib.patches.Wedge at 0x299e9ac6850>,
  <matplotlib.patches.Wedge at 0x299e9ad30a0>,
  <matplotlib.patches.Wedge at 0x299e9ad38b0>,
  <matplotlib.patches.Wedge at 0x299e9ae2100>,
  <matplotlib.patches.Wedge at 0x299e9ae2910>,
  <matplotlib.patches.Wedge at 0x299e9af1160>,
  <matplotlib.patches.Wedge at 0x299e9af1970>,
  <matplotlib.patches.Wedge at 0x299e9b021c0>,
  <matplotlib.patches.Wedge at 0x299e9b029d0>,
  <matplotlib.patches.Wedge at 0x299e9aa1040>,
  <matplotlib.patches.Wedge at 0x299e9b10a00>,
  <matplotlib.patches.Wedge at 0x299e9b1f250>,
  <matplotlib.patches.Wedge at 0x299e9b1fa60>],
 [Text(-0.4780813033350278, 1.100653563752683, '15'),
  Text(-1.1307131016350502, 0.4018555484136618, '0'),
  Text(-1.1307131110411577, -0.4018555219474115, '22'),
  Text(-0.7573055341385765, -0.9308535480746074, '21'),
  Text(-0.16339996802689996, -1.1888231367402, '17'),
  Text(0.4780813290976834, -1.1006535525623822, '13'),
  Text(0.9803638920358589, -0.6920163576045749, '12'),
  Text(1.1749009142877322, -0.24414717202099873, '23'),
  Text(1.1972025195700817, 0.08189094660002708, '20'),
  Text(1.1307130875258875, 0.40185558811303707, '10'),
  Text(0.9803638353435142, 0.692016437919328, '8'),
  Text(0.7573054796680762, 0.9308535923896439, '5'),
  Text(0.4780812389283879, 1.100653591728432, '2'),
  Text(0.16339989846086456, 1.1888231463018288, '1')],
 [Text(-0.2788807602787662, 0.642047912189065, '13.0%'),
  Text(-0.6595826426204459, 0.23441573657463602, '13.0%'),
  Text(-0.659582648107342, -0.23441572113599, '8.7%'),
  Text(-0.4417615615808363, -0.5429979030435209, '8.7%'),
  Text(-0.09531664801569165, -0.69348016309845, '8.7%'),
  Text(0.27888077530698197, -0.6420479056613896, '8.7%'),
  Text(0.5718789370209176, -0.4036762086026686, '8.7%'),
  Text(0.6853588666678437, -0.1424191836789159, '4.3%'),
  Text(0.6983681364158809, 0.04776971885001579, '4.3%'),
  Text(0.659582634390101, 0.23441575973260492, '4.3%'),
  Text(0.5718789039503832, 0.40367625545294133, '4.3%'),
  Text(0.44176152980637773, 0.5429979288939589, '4.3%'),
  Text(0.2788807227082262, 0.642047928508252, '4.3%'),
  Text(0.09531660743550432, 0.6934801686760668, '4.3%')])

Analisis de la muestra en la comuna de Antofagasta

• En la comuna de Antofagasta el horario final con una mayor frecuencia de disponibilidad es a las 15 PM.

• Por lo tanto de la muestra podemos observar que a las 15 PM y 00 AM se registra la mayor frecuencia de disponibilidad final agrupado por horario en la comuna de Antofagasta.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la comuna de Antofagasta.

• La muestra seleccionada nos muestra que a las 01 AM y 02 AM es el rango de horario final con menor frecuencia de disponibilidad en esta comuna.

• la descripcion nos muestra que un 4,3 % es el porcentual de horario final con menor frecuencia de disponibilidad en esta comuna.

Descripcion de la distribucion horaria de disponibilidad inicial en la comuna de Maipú es la siguiente:

groupingpermaipu = dfa[dfa['Comuna']== 'Maipú']['contador'].value_counts()
grouping = pd.DataFrame(groupingpermaipu)
grouping = grouping.rename(columns={'contador':'requerimientos'})
grouping

	requerimientos
1	15

• 15 transportistas disponibles de la muestra son indicados desde la comuna de Maipú.

groupingpermaipu = dfa[dfa['Comuna']== 'Maipú']['hora_desde'].value_counts()
grouping = pd.DataFrame(groupingpermaipu)
grouping = grouping.rename(columns={'hora_desde':'requerimientos'})
grouping

	requerimientos
11	3
10	2
7	2
22	2
23	2
14	1
13	1
9	1
8	1

• Podemos ver como se distribuye el horario de disponibilidad inicial indicado en la comuna de Maipú.

La representacion visual y porcentual de la frecuencia de disponibilidad inicial agrupados por horario en la comuna de Maipú es la siguiente:

desfase = (0.1,0.1,0.1,0.1,0.1, 0.1,0.1, 0.1,0.1)
grafico = dfa[dfa['Comuna']== 'Maipú']['hora_desde'].value_counts()
plt.figure(figsize=(7,7))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e9b6c370>,
  <matplotlib.patches.Wedge at 0x299e9b6cca0>,
  <matplotlib.patches.Wedge at 0x299e9b7b4c0>,
  <matplotlib.patches.Wedge at 0x299e9b7bcd0>,
  <matplotlib.patches.Wedge at 0x299e9b8a520>,
  <matplotlib.patches.Wedge at 0x299e9b8ad30>,
  <matplotlib.patches.Wedge at 0x299e9b99580>,
  <matplotlib.patches.Wedge at 0x299e9b99d90>,
  <matplotlib.patches.Wedge at 0x299e9ba75e0>],
 [Text(-0.705342311840444, 0.9708203866460459, '11'),
  Text(-1.1934262693528634, -0.125434204340391, '10'),
  Text(-0.7053422209456771, -0.9708204526849543, '7'),
  Text(0.2494941791738013, -1.1737770889561574, '22'),
  Text(1.0392305875307437, -0.5999998216170612, '23'),
  Text(1.1934262488008514, 0.12543439987949428, '14'),
  Text(1.039230348782502, 0.6000002351411201, '13'),
  Text(0.7053420618798191, 0.9708205682530248, '9'),
  Text(0.24949371211177657, 1.1737771882332209, '8')],
 [Text(-0.41144968190692566, 0.5663118922101934, '20.0%'),
  Text(-0.6961653237891703, -0.07316995253189475, '13.3%'),
  Text(-0.4114496288849783, -0.56631193073289, '13.3%'),
  Text(0.1455382711847174, -0.6847033018910919, '13.3%'),
  Text(0.6062178427262672, -0.3499998959432856, '13.3%'),
  Text(0.6961653118004965, 0.07317006659637165, '6.7%'),
  Text(0.6062177034564594, 0.35000013716565337, '6.7%'),
  Text(0.4114495360965611, 0.5663119981475977, '6.7%'),
  Text(0.14553799873186968, 0.6847033598027121, '6.7%')])

Analisis de la muestra en la comuna de Maipú

• En la comuna de Maipú el horario inicial con una mayor cantidad de disponibilidad es a las 11 AM.

• Por lo tanto de la muestra podemos observar que entre las 09 AM y 10 AM serian los horarios de mayor disponibilidad en la comuna.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad inicial en la comuna de Maipú.

• La muestra seleccionada nos muestra que entre las 08 AM y 09 AM es el rango de horario final con menor frecuencia de disponibilidad en esta comuna.

• la descripcion nos muestra que un 6,7 % es el porcentual de horario inicial con menor frecuencia de disponibilidad en esta comuna.

Conociendo el comportamiento de la distribucion horaria de disponibilidad inicial en la comuna de Maipú.

Ahora vamos a describir el comportamiento de la distribucion horaria de disponibilidad final en la comuna antes mencionada.

groupingpermaipu = dfa[dfa['Comuna']== 'Maipú']['contador'].value_counts()
grouping = pd.DataFrame(groupingpermaipu)
grouping = grouping.rename(columns={'contador':'disponibilidad'})
grouping

	disponibilidad
1	15

• 15 transportistas disponibles de la muestra son indicados desde la comuna de Maipú.

groupingpermaipu = dfa[dfa['Comuna']== 'Maipú']['hora_hasta'].value_counts()
grouping = pd.DataFrame(groupingpermaipu)
grouping = grouping.rename(columns={'hora_hasta':'disponibilidad'})
grouping

	disponibilidad
22	3
11	2
10	2
23	2
0	2
14	1
7	1
21	1
1	1

• Podemos ver como se distribuye el horario de disponibilidad final indicado en la comuna de Maipú.

La representacion visual y porcentual de la frecuencia de disponibilidad final agrupados por horario en la comuna de Maipú es la siguiente:

desfase = (0.1,0.1,0.1,0.1,0.1,0.1,0.1, 0.1,0.1)
grafico = dfa[dfa['Comuna']== 'Maipú']['hora_hasta'].value_counts()
plt.figure(figsize=(7,6))
plt.pie(grafico, autopct='%1.1f%%', shadow=True, startangle=90, labels = grafico.index, explode=desfase)

([<matplotlib.patches.Wedge at 0x299e9be2fd0>,
  <matplotlib.patches.Wedge at 0x299e9bf0940>,
  <matplotlib.patches.Wedge at 0x299e9bfe160>,
  <matplotlib.patches.Wedge at 0x299e9bfe970>,
  <matplotlib.patches.Wedge at 0x299e9c0d1c0>,
  <matplotlib.patches.Wedge at 0x299e9c0d9d0>,
  <matplotlib.patches.Wedge at 0x299e9c1d220>,
  <matplotlib.patches.Wedge at 0x299e9c1da30>,
  <matplotlib.patches.Wedge at 0x299e9c2c280>],
 [Text(-0.705342311840444, 0.9708203866460459, '22'),
  Text(-1.1934262693528634, -0.125434204340391, '11'),
  Text(-0.7053422209456771, -0.9708204526849543, '10'),
  Text(0.2494941791738013, -1.1737770889561574, '23'),
  Text(1.0392305875307437, -0.5999998216170612, '0'),
  Text(1.1934262488008514, 0.12543439987949428, '14'),
  Text(1.039230348782502, 0.6000002351411201, '7'),
  Text(0.7053420618798191, 0.9708205682530248, '21'),
  Text(0.24949371211177657, 1.1737771882332209, '1')],
 [Text(-0.41144968190692566, 0.5663118922101934, '20.0%'),
  Text(-0.6961653237891703, -0.07316995253189475, '13.3%'),
  Text(-0.4114496288849783, -0.56631193073289, '13.3%'),
  Text(0.1455382711847174, -0.6847033018910919, '13.3%'),
  Text(0.6062178427262672, -0.3499998959432856, '13.3%'),
  Text(0.6961653118004965, 0.07317006659637165, '6.7%'),
  Text(0.6062177034564594, 0.35000013716565337, '6.7%'),
  Text(0.4114495360965611, 0.5663119981475977, '6.7%'),
  Text(0.14553799873186968, 0.6847033598027121, '6.7%')])

Analisis de la muestra en la comuna de Maipú

• En la comuna de Maipú el horario final con una mayor frecuencia de disponibilidad es a las 22 PM.

• Por lo tanto de la muestra podemos observar que a las 22 PM y 11 AM se registra la mayor frecuencia de disponibilidad final agrupado por horario en la comuna de Maipú.

• Se puede observar que existen horarios que no registran frecuencia de disponibilidad final en la comuna de Maipú.

• La muestra seleccionada nos muestra que a las 01 AM y 21 PM es el rango de horario final con menor frecuencia de disponibilidad en esta comuna.

• la descripcion nos muestra que un 6,7 % es el porcentual de horario final con menor frecuencia de disponibilidad en esta comuna.

Evaluacion

Hallazgos:

• De la muestra seleccionada No existen registros considerables de disponibilidad de otras redes en la base de datos de camion GO que no sean de la red GoMarket.

• De la muestra seleccionada, registros de la caracteristica lugar no muestran un nivel de ordenamiento optimo asi como registros que carecen de un sentido logico y coherente.

• De la muestra seleccionada el horario de mayor frecuencia de disponibilidad inicial es a las 9 de la mañana. Es un dato importante a considerar debido a que es el horario donde existe una mayor oferta de transportista disponibles para la demanda de Requerimientos.

• De la muestra seleccionada el horario de mayor frecuencia de disponibilidad final es a las 12 de la noche. Es un dato importante a considerar ya que teniendo esta informacion y la anterior, se pueden tomar decisiones al momento de analizar los rangos de horarios de mayor oferta para la demanda de requerimientos.

• De la muestra seleccionada, la region con la mayor cantidad de registros de disponibilidad es la region metropolitana. Tambien es importante considerar que la diferencia de disponibilidad entre la region metropolitana y las otras regiones es bastante. Mucha disponibilidad en la RM y poca disponibilidad de las otras regiones. Se deberia fomentar que los transportistas de regiones se disponibilicen en la plataforma para aumentar la oferta y mejorar los indices regionales.

• De la muestra seleccionada, la comuna con la mayor cantidad de registros de disponibilidad es la comuna de Santiago. Al igual que las regiones, la comuna de santiago tiene una cantidad muy superior de registros a comparacion de otras comunas, tanto de la misma region como de otras.

• De la muestra seleccionada, los lunes y martes, son los dias de la semana con la mayor cantidad de registros de disponibilidad inicial. Ahora la gran mayoria de registros diarios de disponibilidad inicial son los dias de semana entre lunes y viernes, tambien se puede analizar que los dias sabado y domingo disminuye la cantidad de registros de disponibilidad inicial.

• Tambien podemos analizar la distribucion diaria de disponibilidad final y podemos ver que los dias con una mayor cantidad de registros diarios de disponibilidad final son los dias Martes y Jueves.

• La distribucion de horario de disponibilidad inicial en la muestra seleccionada, nos indica que entre las 8 y 10 de la mañana, son los horarios de mayor disponibilidad inicial. Informacion importante, son los horarios en donde existe una mayor oferta para la demanda de requerimientos.

• Analizando la distribucion horaria de disponibilidad final en la muestra, podemos evaluar que entre las 20 y 00 horas, son los horarios de mayor frecuencia de disponibilidad final. Por lo tanto esta informacion sirve para analizar hasta que hora aprox se encuentran disponibles los transportistas.

• Existe un desbalance de registros cuando evaluamos la distribucion de disponibilidad por comuna, Santiago tiene cerca del 75% de los registros de disponibilidad y el 25% restante se distribuye en todas las demas comunas registradas.

• Como hemos podido evaluar, los patrones y tendencias de dia y hora a nivel macro en la muestra seleccionada solamente se repiten en la comuna y region con mayor disponibilidad que es Santiago, region metropolitana. pero si aumentamos el nivel de detalle a las comunas y regiones restantes, estos patrones no se repiten. Esto puede ser posible debido al desbalance de registros en la comuna y region con mayor distribucion de disponibilidad en comparacion con el resto.

• Se debe aumentar la cantidad de registros de disponibilidad en la base de datos de CamionGO.

• Tambien se deben realizar mejoras en la tabla disponibilidad, agregar caracteristicas tales como tipo de camion, volumen y peso y establecer sus relaciones.

• Tambien se debe evaluar la caracteristica lugar, que es un campo que al parecer esta teniendo problemas de registro en la base de datos.